« Découverte de peptides antimicrobiens hautement puissants grâce au modèle génératif profond HydrAMP »
Aujourd'hui, nous partageons un article de recherche publié dans Nature Communications par l'équipe d'Ewa Szczurek. Cette étude a développé HydrAMP, un modèle génératif profond, un auto-encodeur variationnel conditionnel (cVAE) qui génère de nouveaux peptides antimicrobiens (AMP) à forte activité antimicrobienne en apprenant des représentations continues de faible dimension des peptides. Ce travail est le premier à permettre la génération contrôlée d'analogues de peptides actifs/inactifs connus, les effets antibactériens exceptionnels des peptides générés ayant été validés par des expériences en laboratoire. Il offre un outil de conception informatique puissant pour lutter contre la crise mondiale de la résistance aux antimicrobiens.
Figure 1. Architecture HydrAMP et aperçu du parcours des données.
01 Contexte de la recherche
Les infections microbiennes, notamment celles causées par des bactéries résistantes aux médicaments, constituent une menace majeure pour la santé mondiale et devraient devenir la première cause de mortalité d'ici 2050. Les peptides antimicrobiens (PAM) représentent une alternative prometteuse aux antibiotiques conventionnels en raison de leur moindre propension à induire une résistance. Cependant, les méthodes traditionnelles de découverte de PAM reposent sur des modifications empiriques de séquences peptidiques connues, un processus fastidieux, chronophage et limité par les cadres de séquences existants. Les méthodes informatiques actuelles, telles que les classificateurs, les modèles QSAR, les modèles autorégressifs et les algorithmes génétiques, ne permettent pas de générer directement de nouvelles séquences ou peinent à produire des PAM véritablement diversifiés et très efficaces en raison de la faible densité des espaces de séquences discrets de haute dimension. Par conséquent, il est urgent de développer de nouveaux modèles génératifs capables d'opérer dans un espace continu de faible dimension et directement optimisés pour de multiples tâches (par exemple, la génération d'analogues, la génération de novo).
02 Points forts innovants
Modèle génératif profond optimisé pour plusieurs tâches : HydrAMP est le premier modèle cVAE spécifiquement optimisé pour la génération directe d’analogues de peptides (à partir de prototypes actifs et inactifs) et pour les tâches de génération sans contrainte. Ses objectifs d’entraînement innovants (reconstruction, analogues, sans contrainte) et ses termes de régularisation (par exemple, la régularisation par désenchevêtrement jacobien) garantissent des performances exceptionnelles sur de multiples tâches.
« Créativité » paramétriquement contrôlable : Introduit un paramètre de température (τ) qui contrôle précisément le degré de divergence entre les analogues générés et le peptide prototype (τ=1 pour conservateur, τ=5 pour exploratoire), permettant un contrôle flexible du processus de génération et un équilibre entre similarité et innovation.
Plateforme complète à taux de validation expérimentale élevé : elle fournit non seulement le code du modèle, mais aussi un pipeline intégré comprenant un criblage par consensus de classificateurs auxiliaires et un pré-criblage par simulation de dynamique moléculaire (DM), le tout accompagné d’un service web convivial (https://hydramp.mimuw.edu.pl/). Le taux de réussite de la validation expérimentale est nettement supérieur aux méthodes existantes ; par exemple, contre E. coli ATCC 25922, le taux de validation des peptides hautement actifs (CMI ≤ 32 μg/mL) a atteint 38 %.
03 Résultats et discussion
3.1 Architecture du modèle et stratégie de formation
Le modèle HydrAMP repose sur un auto-encodeur variationnel conditionnel (cVAE) qui apprend des représentations latentes continues de faible dimension (z) des séquences peptidiques. Les conditions (c) indiquent si un peptide est un AMP (cAMP) et s'il présente une forte activité (faible CMI, cMIC). Le modèle comprend un encodeur, un décodeur et un classificateur pré-entraîné. L'entraînement s'effectue selon trois modes : reconstruction (apprentissage de la structure du peptide), génération d'analogues (apprentissage de la génération conditionnelle à partir d'un prototype) et génération non contrainte (apprentissage de la génération de novo conditionnelle), garantissant ainsi la multifonctionnalité du modèle (Fig. 1).
3.2 Les performances de la génération analogique surpassent les méthodes existantes
Dans la tâche de génération d'analogues, les performances d'HydrAMP ont largement surpassé celles des modèles comparatifs (PepCVAE, Basic, Joker). Qu'il s'agisse de générer des analogues actifs à partir de peptides actifs (prototypes positifs) ou inactifs (prototypes négatifs), HydrAMP a obtenu les meilleurs résultats en termes de proportion de prototypes pour lesquels il a atteint les critères de « découverte de base » (génération d'un AMP très actif) et de « découverte améliorée » (génération d'un peptide supérieur au prototype). Par exemple, lors de la génération à partir de prototypes négatifs, HydrAMP (τ = 5) a trouvé des analogues répondant aux critères de découverte de base pour 399 prototypes, surpassant largement Joker (108) et Basic (41). En ajustant τ, HydrAMP a contrôlé efficacement la différence de séquence (distance de Levenshtein) entre les analogues générés et les prototypes (par exemple, Pexiganan, CAMEL), obtenant ainsi un contrôle paramétrique de la créativité (Fig. 2).
Fig. 2 | Performances de génération d'analogues en termes de nombre d'analogues générés de HydrAMP (rouge), en comparaison avec PepCVAE (bleu foncé), Basic (bleu clair) et Joker (vert foncé).
3.3 La génération non contrainte produit des peptides correspondant aux conditions souhaitées
Lors de la génération sans contrainte, les peptides générés par HydrAMP répondaient mieux aux critères d'activité antimicrobienne (cAMP) et de forte activité (cMIC). La médiane des distributions de la probabilité antimicrobienne prédite par le classificateur (PMAMP) et de la probabilité de faible CMI (PMMIC) pour les peptides positifs générés était proche de 1, surpassant significativement PepCVAE, Basic et d'autres modèles génératifs comme AMP-LM et Dean-VAE (Fig. 4a-d). Parmi les 50 000 peptides candidats générés, HydrAMP a produit le plus grand nombre de peptides répondant simultanément aux critères de PMAMP élevée (> 0,8) et de PMMIC élevée (> 0,5), soit près de 44 % de plus qu'AMP-GAN (Fig. 3).
Fig. 3. Performances génératives non contraintes de HydrAMP (rouge), comparées à celles de PepCVAE (bleu foncé), Basic (bleu clair), AMP-LM (vert), Dean-VAE (rose), Muller-LSTM (aigue-marine) et AMP-GAN (orange) (méthodes indiquées sur l'axe des abscisses).
3.4 Les peptides générés présentent des propriétés physico-chimiques souhaitables
L'analyse a montré que les analogues générés par HydrAMP présentaient des modifications significatives de leurs propriétés physico-chimiques clés (point isoélectrique, charge, rapport hydrophobe, aromaticité, etc.) par rapport aux prototypes inactifs, les rapprochant ainsi des caractéristiques des peptides actifs. De plus, HydrAMP pouvait améliorer les propriétés de ces prototypes actifs, contrairement à d'autres modèles comparés (PepCVAE, Basic, etc.). Ceci démontre la capacité d'HydrAMP à reproduire les relations structure-activité essentielles des peptides antimicrobiens (figure 4).
Figure 4. Propriétés physico-chimiques des analogues générés par HydrAMP et comparaison des méthodes de génération d'analogues pour les prototypes non-AMP ou AMP avec des données réelles et aléatoires.
3.5 La validation en laboratoire confirme la haute activité des nouveaux AMP
L'étude a comporté deux phases de validation en laboratoire. Lors de la première phase, sans présélection, sept analogues dérivés des prototypes Pexiganan et Temporin-A ont été testés, validant avec succès deux peptides très actifs (par exemple, Hydraganan-1, CMI = 2 μg/mL contre E. coli), soit un taux de validation positif de 29 % (Tableau 1). Les simulations de dynamique moléculaire ont indiqué que le peptide actif Hydraganan-1 conservait une structure en hélice alpha plus stable et pénétrait plus profondément dans la membrane (paramètre S plus élevé), contrairement à l'analogue inactif Pex-P1-4.
Tableau 1. Analogues du pexiganan et du temporin-A obtenus lors du processus de génération d'analogues sans présélection supplémentaire.
La deuxième série d'expériences a intégré un processus de présélection basé sur un consensus de classificateurs auxiliaires et des simulations de dynamique moléculaire, générant 24 peptides candidats ciblant des prototypes peptidiques cliniquement pertinents (OP-145, Omiganan, Syphaxin) et le peptide inactif GQ20. Les résultats ont montré que, pour des seuils d'activité plus stricts (par exemple, CMI ≤ 8 μg/mL), le taux de succès d'HydrAMP était significativement supérieur à celui de modèles tels que Joker et CLaSS (Fig. 5). Finalement, plusieurs nouveaux peptides antimicrobiens (AMP) présentant une activité élevée (CMI aussi faible que 2 à 4 μg/mL) contre de multiples souches multirésistantes (dont le SARM et Acinetobacter baumannii) et une faible toxicité hémolytique ont été obtenus, comme Sophieganan et Ratigan, générés à partir du peptide inactif GQ20. Il est à noter que les 6 analogues du GQ20 ont tous été validés comme AMP actifs, démontrant ainsi la puissante capacité d'HydrAMP à créer de nouveaux peptides actifs à partir d'un point de départ inactif.
Fig. 5. Taux de réussite de l'AMP en fonction du seuil d'activité.
04 Conclusion et perspectives d'avenir
Cette étude a permis de développer avec succès HydrAMP, un modèle génératif profond hautement fonctionnel pour les peptides antimicrobiens. Ses principaux atouts résident dans : 1) la génération contrôlable, diversifiée et efficace de peptides antimicrobiens grâce à l’optimisation multitâche et à l’apprentissage dans un espace latent continu ; 2) l’introduction d’un contrôle paramétrique de la créativité et de méthodes de régularisation innovantes ; et 3) la mise en place d’un pipeline complet comprenant le pré-criblage informatique et la validation expérimentale, accompagné d’un service web accessible. Les résultats expérimentaux démontrent qu’HydrAMP peut générer de nouveaux peptides antimicrobiens présentant une activité élevée contre diverses bactéries résistantes aux médicaments d’intérêt clinique et une faible toxicité, avec un taux de validation nettement supérieur aux méthodes existantes. Ce travail fournit un outil informatique puissant pour accélérer la découverte de nouveaux antibiotiques et représente une avancée significative dans la lutte contre la crise de la résistance aux antimicrobiens. Les travaux futurs pourraient étendre le modèle, par exemple en intégrant des objectifs d’optimisation de la toxicité, en se concentrant sur d’autres cibles bactériennes (par exemple, les bactéries Gram-positives) et en explorant une modélisation plus complexe dépendante de la séquence (par exemple, en intégrant des mécanismes d’attention) afin d’améliorer continuellement le potentiel de développement de médicaments des peptides générés.
Article original :
Szymczak P, Możejko M, Grzegorzek T, Jurczak R, Bauer M, Neubauer D, Sikora K, Michalski M, Sroka J, Setny P, Kamysz W, Szczurek E. Découverte de peptides antimicrobiens très puissants avec le modèle génératif profond HydrAMP. Nat Commun. 15 mars 2023;14(1):1453.