« La modélisation générative du langage de diffusion latente permet de produire des peptides synthétiques anti-infectieux »
Aujourd'hui, nous partageons un article de recherche dirigé par l'équipe de Cesar de la Fuente-Nunez et publié dans Cell Biomaterials. Cette étude a développé une plateforme d'intelligence artificielle générative, nommée AMP-Diffusion, qui permet la conception de novo de peptides antimicrobiens (AMP) en intégrant des modèles de diffusion latente et des modèles de langage protéique (pLM). Ce travail génère des peptides fonctionnels directement à partir de l'espace d'intégration ESM-2, sans nécessiter de motifs prédéfinis ni d'informations structurales a priori. La validation expérimentale a démontré que 76 % des peptides générés présentent une activité antimicrobienne à large spectre (y compris contre les bactéries multirésistantes), avec une efficacité in vivo comparable à celle des antibiotiques classiques. AMP-Diffusion offre ainsi un outil de conception évolutif et rationnel pour lutter contre la crise de la résistance aux antibiotiques.
01 Contexte de la recherche
La propagation accélérée de la résistance aux antimicrobiens (RAM) est devenue une crise sanitaire mondiale, et le processus traditionnel de découverte d'antibiotiques peine à répondre aux besoins cliniques. Les peptides antimicrobiens (PAM) constituent des alternatives prometteuses grâce à leurs multiples mécanismes d'action (par exemple, la perturbation membranaire, l'immunomodulation) et leur moindre propension à induire une résistance. Cependant, la conception rationnelle des PAM se heurte à des difficultés majeures : les séquences peptidiques sont composées de 20 acides aminés naturels, ce qui représente un espace de séquences de 20^L pour un peptide de longueur L, exigeant une optimisation simultanée de l'activité antimicrobienne, une faible toxicité et une bonne biostabilité. Les méthodes de calcul existantes, telles que la conception basée sur des règles ou l'apprentissage automatique classique, sont limitées par la nature discrète et multidimensionnelle de l'espace de séquences, ce qui rend difficile l'exploration efficace de nouvelles structures. L'application réussie de l'IA générative (par exemple, les modèles de diffusion) à la conception de protéines offre une nouvelle approche pour surmonter cet obstacle, mais son adaptation spécifique à la conception de PAM et sa validation expérimentale restent des défis à relever.
02 Points forts innovants
Premier modèle de diffusion latente pour les peptides antimicrobiens (AMP) basé sur l'espace d'intégration pLM : AMP-Diffusion applique le processus de diffusion (modèle probabiliste de diffusion débruitée, DDPM) directement dans l'espace d'intégration continu du modèle ESM-2 pré-entraîné, éliminant ainsi le besoin d'un entraînement supplémentaire de l'espace latent des protéines. Il exploite les règles biophysiques déjà apprises par le pLM pour garantir le naturel et la fonctionnalité des peptides générés.
Architecture du débruiteur profondément intégrée aux mécanismes d'attention pLM : le débruiteur réutilise les poids des couches d'attention ESM-2, garantissant que le processus de génération respecte strictement les contraintes évolutives capturées par le pLM, surpassant ainsi les modèles reposant uniquement sur la génération statistique.
Validation expérimentale exhaustive et démonstration de l'efficacité in vivo : 46 peptides ont été synthétisés à partir de 50 000 candidats générés et évalués systématiquement quant à leur activité antimicrobienne (contre 11 pathogènes), leur structure secondaire, leur mécanisme d'action, leur cytotoxicité et leur efficacité dans un modèle d'infection murine. Le taux de validation était significatif (76 % de peptides actifs, avec une efficacité in vivo comparable à celle de la polymyxine B et de la lévofloxacine).
03 Résultats et discussion
3.1 Cadre de calcul et caractéristiques des peptides générés
Le modèle AMP-Diffusion a été optimisé sur 19 670 séquences d'AMP issues des bases de données DRAMP, APD3 et DBAASP. La distribution de la concentration minimale inhibitrice (CMI) moyenne des peptides générés était très similaire à celle de l'ensemble d'entraînement. De plus, la perplexité (PPL) calculée par ProGen2 n'a montré aucune différence significative entre les peptides générés et les AMP naturels (ensemble d'entraînement : 17,93 ; ensemble généré : 17,90 ; p = 0,0357), indiquant que le modèle reproduisait fidèlement la distribution des séquences d'AMP. La composition en acides aminés des peptides générés était cohérente avec celle de l'ensemble d'entraînement, mais le sous-ensemble sélectionné présentait un enrichissement significatif en lysine (K), leucine (L) et arginine (R) – des résidus connus pour renforcer la cationicité et l'amphipathie, améliorant ainsi l'activité de ciblage membranaire. L'analyse des propriétés physicochimiques a en outre confirmé que les peptides sélectionnés possédaient une charge et un indice d'amphipathicité plus élevés (Figure 1).
Figure 1. Modèle de diffusion AMP et caractéristiques des peptides générés.
3.2 Activité antimicrobienne in vitro et caractéristiques structurales
Le test de 46 peptides synthétisés contre 11 pathogènes cliniquement pertinents (dont des bactéries résistantes aux antibiotiques ESKAPEE) a montré que 35 peptides (76 %) étaient actifs contre au moins une souche, Acinetobacter baumannii ATCC 19606 et Enterococcus faecium résistant à la vancomycine ATCC 700221 étant les plus sensibles. La spectroscopie de dichroïsme circulaire (DC) a indiqué que les peptides adoptaient des conformations en hélice α dans des environnements mimétiques de membranes (par exemple, 60 % de TFE, micelles de SDS), mais des structures en pelote statistique dans l'eau, ce qui est cohérent avec le mécanisme de repliement induit par la membrane des peptides antimicrobiens typiques. Tous les peptides actifs (points rouges) ont montré une forte proportion d'hélices dans des conditions induisant la formation d'hélices, corroborant la relation structure-activité (Figure 2).
Figure 2. Activité antimicrobienne et structure secondaire des peptides générés par diffusion AMP.
3.3 Mécanisme d'action et profil de sécurité
Les expériences de perméabilisation membranaire (test NPN) et de dépolarisation (test DiSC3-5) ont révélé que les peptides générés exercent des effets bactéricides en perturbant la membrane bactérienne. Par exemple, les peptides AMP-diff2-13, -32 et -33 ont présenté une capacité de perméabilisation membranaire supérieure à celle de la polymyxine B et de la lévofloxacine, tandis que les peptides AMP-diff2-13, -30 et -42 ont montré de forts effets dépolarisants. Les tests de cytotoxicité (cellules HEK293T) ont indiqué que la plupart des peptides ne présentaient aucune toxicité significative à 128 μmol/L, seuls 6 peptides ayant une CC50 inférieure à 64 μmol/L (Figure 3), ce qui souligne leur excellent profil de sécurité.
Figure 3. Mécanisme d'action et activité cytotoxique des peptides.
3.4 Efficacité anti-infectieuse in vivo
Dans un modèle murin d'abcès sous-cutané, deux peptides très actifs (AMP-diff2-16 et -43, CMI = 1 μmol/L) ont été administrés localement à une dose de 10 × CMI. Après 4 jours de traitement, les groupes traités par les peptides ont présenté une réduction de la charge bactérienne de 2 à 2,5 log, avec une efficacité comparable à celle de la polymyxine B et de la lévofloxacine, sans modification de poids ni lésion tissulaire observée. Ce résultat confirme, pour la première fois, le potentiel thérapeutique des peptides générés par intelligence artificielle dans un environnement physiologique (Figure 4).
Figure 4. Activité anti-infectieuse des peptides dans un modèle d'infection murine.
04 Conclusion et perspectives d'avenir
Cette étude a permis de développer avec succès AMP-Diffusion, une plateforme de génération de peptides antimicrobiens (AMP) de bout en bout. Sa principale valeur réside dans l'intégration poussée de l'intelligence artificielle générative aux modèles de langage protéique, favorisant l'innovation tout au long du processus, de la conception virtuelle à la validation in vivo. Les expériences démontrent que cette plateforme produit efficacement des peptides antimicrobiens diversifiés, hautement actifs et peu toxiques, offrant ainsi une solution évolutive pour lutter contre la résistance aux antibiotiques. Les travaux futurs pourraient se concentrer sur la génération conditionnelle (par exemple, l'optimisation ciblée contre des pathogènes spécifiques), l'intégration de prédicteurs multi-attributs (toxicité, stabilité) et l'extension à la conception d'autres peptides fonctionnels (par exemple, des peptides anticancéreux, des peptides antiviraux), contribuant ainsi à l'essor de l'application de l'intelligence artificielle générative dans le domaine biomédical.
Article original :
Torres MDT, Chen T, Wan F, Chatterjee P, de la Fuente-Nunez C. La modélisation générative du langage de diffusion latente produit des peptides synthétiques anti-infectieux. bioRxiv [Prépublication]. 1er février 2025 : 2025.01.31.636003.