„Generative latente Diffusionssprachmodellierung liefert antiinfektiöse synthetische Peptide“
Heute stellen wir einen Forschungsartikel des Teams um Cesar de la Fuente-Nunez vor, der in Cell Biomaterials veröffentlicht wurde. In dieser Studie wurde die generative KI-Plattform AMP-Diffusion entwickelt, die das De-novo-Design antimikrobieller Peptide (AMPs) durch die Integration latenter Diffusionsmodelle und Protein-Sprachmodelle (pLMs) ermöglicht. Funktionelle Peptide werden direkt aus dem ESM-2-Einbettungsraum generiert, ohne dass vordefinierte Motive oder Strukturinformationen erforderlich sind. Experimentelle Validierungen zeigten, dass 76 % der generierten Peptide ein breites antimikrobielles Wirkungsspektrum aufweisen (auch gegen multiresistente Bakterien) und in vivo mit Standardantibiotika vergleichbar wirksam sind. Dies bietet ein skalierbares, rationales Designwerkzeug zur Bekämpfung der Antibiotikaresistenzkrise.
01 Forschungshintergrund
Die rasante Ausbreitung von Antibiotikaresistenzen (AMR) hat sich zu einer globalen Gesundheitskrise entwickelt, und die traditionelle Antibiotikaentwicklung stößt an ihre Grenzen, den klinischen Bedarf zu decken. Antimikrobielle Peptide (AMPs) stellen aufgrund ihrer vielfältigen Wirkmechanismen (z. B. Membranzerstörung, Immunmodulation) und ihrer geringeren Neigung zur Resistenzinduktion vielversprechende Alternativen dar. Die rationale Entwicklung von AMPs ist jedoch mit erheblichen Herausforderungen verbunden: Peptidsequenzen bestehen aus 20 natürlichen Aminosäuren, was für ein Peptid der Länge L einen Sequenzraum von 20^L ergibt. Dies erfordert die gleichzeitige Optimierung von antimikrobieller Aktivität, geringer Toxizität und Biostabilität. Bestehende computergestützte Methoden, wie regelbasiertes Design oder traditionelles maschinelles Lernen, stoßen aufgrund der diskreten und hochdimensionalen Natur des Sequenzraums an ihre Grenzen, was die effiziente Suche nach neuen Strukturen erschwert. Die erfolgreiche Anwendung generativer KI (z. B. Diffusionsmodelle) im Proteindesign bietet einen neuen Ansatz zur Überwindung dieses Engpasses. Die spezifische Anpassung an das AMP-Design und die experimentelle Validierung stellen jedoch weiterhin eine Herausforderung dar.
02 Innovative Highlights
Erstes latentes Diffusionsmodell für AMPs basierend auf dem pLM-Einbettungsraum: AMP-Diffusion führt den Diffusionsprozess (Denoising Diffusion Probabilistic Model, DDPM) direkt im kontinuierlichen Einbettungsraum des vortrainierten ESM-2-Modells durch und macht so ein zusätzliches Training eines latenten Proteinraums überflüssig. Es nutzt die bereits vom pLM erlernten biophysikalischen Regeln, um die Natürlichkeit und Funktionalität der generierten Peptide zu gewährleisten.
Die Denoiser-Architektur ist tief in die pLM-Aufmerksamkeitsmechanismen integriert: Der Denoiser verwendet die Gewichte der ESM-2-Aufmerksamkeitsschichten wieder und stellt so sicher, dass der Generierungsprozess die von pLM erfassten evolutionären Beschränkungen strikt einhält. Dadurch übertrifft er Modelle, die ausschließlich auf statistischer Generierung basieren.
Umfassende experimentelle Validierung und Nachweis der In-vivo-Wirksamkeit: 46 Peptide wurden aus 50.000 generierten Kandidaten synthetisiert und systematisch hinsichtlich ihrer antimikrobiellen Aktivität (gegen 11 Pathogene), Sekundärstruktur, ihres Wirkmechanismus, ihrer Zytotoxizität und ihrer Wirksamkeit in einem Mausinfektionsmodell untersucht. Die Validierungsrate war signifikant (76 % aktiv, mit einer In-vivo-Wirksamkeit vergleichbar mit Polymyxin B und Levofloxacin).
03 Ergebnisse und Diskussion
3.1 Computergestützter Rahmen und Eigenschaften der generierten Peptide
AMP-Diffusion wurde anhand von 19.670 AMP-Sequenzen aus den Datenbanken DRAMP, APD3 und DBAASP feinabgestimmt. Die Verteilung der mittleren minimalen Hemmkonzentration (MHK) der generierten Peptide war der des Trainingsdatensatzes sehr ähnlich. Darüber hinaus zeigte die mit ProGen2 berechnete Perplexität (PPL) keinen signifikanten Unterschied zwischen generierten Peptiden und natürlichen AMPs (Trainingsdatensatz 17,93 vs. Generierter Datensatz 17,90, p = 0,0357), was darauf hindeutet, dass das Modell die Sequenzverteilung von AMPs erfolgreich erfasst hat. Die Aminosäurezusammensetzung der generierten Peptide stimmte mit der des Trainingsdatensatzes überein, jedoch wies die ausgewählte Teilmenge eine signifikante Anreicherung von Lysin (K), Leucin (L) und Arginin (R) auf – Reste, die bekanntermaßen die Kationizität und Amphipathizität erhöhen und dadurch die Membranbindung verbessern. Die Analyse der physikochemischen Eigenschaften bestätigte zudem, dass die ausgewählten Peptide eine höhere Ladung und einen höheren Amphipathizitätsindex aufwiesen (Abbildung 1).
Abbildung 1. AMP-Diffusionsmodell und Eigenschaften der generierten Peptide.
3.2 In-vitro-antimikrobielle Aktivität und Strukturmerkmale
Die Testung von 46 synthetisierten Peptiden gegen 11 klinisch relevante Pathogene (einschließlich ESKAPEE-resistenter Bakterien) ergab, dass 35 Peptide (76 %) gegen mindestens einen Stamm aktiv waren, wobei Acinetobacter baumannii ATCC 19606 und Vancomycin-resistenter Enterococcus faecium ATCC 700221 die höchste Empfindlichkeit zeigten. Die Circulardichroismus-(CD)-Spektroskopie wies darauf hin, dass die Peptide in membranähnlichen Umgebungen (z. B. 60 % TFE, SDS-Mizellen) α-helikale Konformationen einnahmen, in Wasser jedoch als ungeordnete Knäuel vorlagen. Dies entspricht dem membraninduzierten Faltungsmechanismus typischer antimikrobieller Peptide (AMPs). Alle aktiven Peptide (rote Punkte) zeigten unter helixinduzierenden Bedingungen einen hohen Helikalanteil, was die Struktur-Wirkungs-Beziehung bestätigt (Abbildung 2).
Abbildung 2. Antimikrobielle Aktivität und Sekundärstruktur der mit AMP-Diffusion erzeugten Peptide.
3.3 Wirkungsmechanismus und Sicherheitsprofil
Membranpermeabilisierungs- (NPN-Assay) und Depolarisationsversuche (DiSC3-5-Assay) zeigten, dass die generierten Peptide durch die Zerstörung der Bakterienmembran bakterizide Wirkung entfalten. So wiesen beispielsweise Peptide wie AMP-diff2-13, -32 und -33 eine Membranpermeabilisierungskapazität auf, die die von Polymyxin B und Levofloxacin übertraf, während AMP-diff2-13, -30 und -42 starke Depolarisationseffekte zeigten. Zytotoxizitätstests (HEK293T-Zellen) ergaben, dass die meisten Peptide bei einer Konzentration von 128 μmol/L keine signifikante Toxizität aufwiesen; lediglich sechs Peptide zeigten einen CC50-Wert unter 64 μmol/L (Abbildung 3), was ihr ausgezeichnetes Sicherheitsprofil unterstreicht.
Abbildung 3. Wirkungsmechanismus und zytotoxische Aktivität der Peptide.
3.4 In-vivo-Wirksamkeit gegen Infektionen
In einem Mausmodell für subkutane Abszesse wurden zwei hochwirksame Peptide (AMP-diff2-16 und -43, MHK = 1 μmol/L) lokal in einer Dosis von 10×MHK verabreicht. Nach viertägiger Behandlung zeigte sich in den Peptidgruppen eine Reduktion der Bakterienlast um 2–2,5 log-Stufen. Die Wirksamkeit war vergleichbar mit der von Polymyxin B und Levofloxacin, und es wurden keine Gewichtsveränderungen oder Gewebeschäden beobachtet. Dieses Ergebnis bestätigt erstmals das therapeutische Potenzial von KI-generierten Peptiden unter physiologischen Bedingungen (Abbildung 4).
Abbildung 4. Antiinfektiöse Aktivität der Peptide in einem Mausinfektionsmodell.
04 Schlussfolgerung und Zukunftsperspektiven
Diese Studie entwickelte erfolgreich AMP-Diffusion, eine durchgängige Plattform zur AMP-Generierung. Ihr Kernwert liegt in der tiefen Integration von generativer KI mit Protein-Sprachmodellen, wodurch Innovationen entlang der gesamten Pipeline – vom virtuellen Design bis zur In-vivo-Validierung – ermöglicht werden. Experimente zeigen, dass diese Plattform effizient diverse, hochwirksame und wenig toxische antimikrobielle Peptide produziert und somit eine skalierbare Lösung zur Bekämpfung von Antibiotikaresistenzen bietet. Zukünftige Arbeiten könnten sich auf die bedingte Generierung (z. B. gezielte Optimierung gegen spezifische Pathogene), die Integration von Multiattribut-Prädiktoren (Toxizität, Stabilität) und die Erweiterung auf das Design anderer funktionaler Peptide (z. B. Antikrebs-Peptide, antivirale Peptide) konzentrieren und so die Anwendung von generativer KI im biomedizinischen Bereich weiter vorantreiben.
Originalartikel:
Torres MDT, Chen T, Wan F, Chatterjee P, de la Fuente-Nunez C. Generative latente Diffusionssprachenmodellierung liefert antiinfektiöse synthetische Peptide. bioRxiv [Preprint]. 2025 Feb 1:2025.01.31.636003.