Открытие антимикробных пептидов, нацеленных на Acinetobacter baumannii, с помощью предобученного и дообученного конвейера на основе few-shot обучения

Почему это важно для повседневного здоровья

Инфекции, устойчивые к лекарствам, растут так быстро, что к середине века они могут убивать больше людей в год, чем рак. Одним из самых тревожных виновников является Acinetobacter baumannii — стойкий госпитальный микроб, который противостоит многим антибиотикам и часто поражает пациентов на аппаратах ИВЛ. В этом исследовании показано, как учёные объединили искусственный интеллект с лабораторными экспериментами, чтобы быстро обнаружить новые короткие кандидаты в лекарства, способные убивать эту бактерию и при этом причинять гораздо меньше вреда организму по сравнению с нашим нынешним средством последней инстанции.

Госпитальная «супербактерия», которую тяжело уничтожить

Acinetobacter baumannii — грам‑отрицательная бактерия, которая процветает в отделениях интенсивной терапии, особенно у пациентов на аппаратах искусственной вентиляции лёгких. Её прочная внешняя оболочка и быстро эволюционирующий геном делают её устойчивой ко многим стандартным антибиотикам. Сегодня одним из немногих оставшихся вариантов является препарат полимиксин B, но он может серьёзно повреждать почки, а бактерия всё равно может развивать устойчивость. В то же время перспективный класс коротких белковых фрагментов — антимикробные пептиды — исследовали против других микроорганизмов, однако очень немногие оказались эффективны именно против A. baumannii. Традиционный метод проб и ошибок попросту слишком медленен и дорог, чтобы просеять астрономически большое число возможных коротких последовательностей пептидов.

Использование интеллектуальных алгоритмов для поиска в огромном пространстве

Исследователи создали многоэтапный конвейер искусственного интеллекта, названный FSLSMEP, чтобы просканировать целые библиотеки коротких пептидов — с шестью, семью или восемью звеньями — насчитывающие десятки миллиардов кандидатов. Проблема заключалась в том, что у них было всего 148 известных пептидов, действующих против A. baumannii, что существенно меньше, чем требуется для стандартных методов машинного обучения. Чтобы обойти это ограничение, они начали с мощной предобученной модели, которая уже «прочитала» сотни миллионов естественных белковых последовательностей и усвоила общие правила поведения таких молекул. Затем модель дообучали в два этапа: сначала на более широкой выборке пептидов, активных против родственной бактерии Pseudomonas aeruginosa, а затем на скудных данных по A. baumannii. По пути три связанные модуля — один для отделения вероятных от маловероятных пептидов, один для их ранжирования и один для оценки предполагаемой силы действия — работали как последовательные фильтры в воронке.

От компьютерных предсказаний к успехам в пробирке

Сначала, отбрасывая наименее перспективные пептиды по простым химическим правилам, команда пропустила через конвейер почти четыре миллиона кандидатов. Классификатор отсеял большинство последовательностей, которые не выглядели антимикробными; модель ранжирования отдавала предпочтение тем, чьи признаки указывали на сильную активность; а регрессионная модель предсказывала минимальную концентрацию препарата, необходимую для подавления роста бактерий. Из шестидесяти четырёх миллионов шестизвенных пептидов система предложила всего десять ведущих кандидатов. При синтезе и лабораторном тестировании девять из них показали реальную антибактериальную активность — впечатляющий показатель для поиска лекарств. Те же обученные модели затем применили без повторного обучения к гораздо большим пространствам семи‑ и восьмизвенных пептидов, из которых исследователи выбрали дополнительные верхние последовательности для тестирования. И вновь большинство оказались активными, включая гептапептиды, не уступающие по силе полимиксину B в отношении некоторых штаммов.

Мощные убийцы с более мягким воздействием

Три ведущих пептида — по одному из библиотек с шестью, семью и восемью звеньями — исследовали подробно. Они быстро уничтожали популяции A. baumannii за минуты или часы, повреждали бактериальные мембраны, что было видно в электронном микроскопе, и также действовали против нескольких других опасных микробов. При этом они вызывали минимальный вред культурам млекопитающих клеток и эритроцитам, в отличие от некоторых существующих антимикробных пептидов. В долгосрочных тестах бактерии не склонны были быстро развивать устойчивость к этим новым молекулам, тогда как устойчивость к полимиксину B повышалась быстро. Наиболее впечатляюще: в мышиной модели пневмонии ингаляционная доза гептапептида EME7(7) устраняла легочную инфекцию так же эффективно, как полимиксин B, но не вызывала повреждения почек, тогда как полимиксин B приводил к явному повреждению почек и повышению в крови маркеров почечного стресса.

Что это означает для будущих лекарств

Эта работа демонстрирует, что тщательно спроектированный ИИ‑конвейер может превратить крошечный, неполный набор данных в мощный инструмент для обнаружения новых антимикробных пептидов. Сочетая широкое предобучение, поэтапное дообучение и многослойную фильтрацию, исследователи эффективно исследовали целые библиотеки коротких пептидов и нашли кандидатов, которые одновременно борются с опасной госпитальной «супербактерией» и кажутся более безопасными для жизненно важных органов. Та же стратегия также сработала для поиска пептидов, активных против грибкового патогена Candida albicans, что указывает на возможность повторного использования подхода для поиска многих других типов терапевтических пептидов. Для пациентов такой подход в перспективе может привести к новым лекарствам, которые лечат упорные инфекции без тяжёлых побочных эффектов и быстрой выработки устойчивости, преследующих современные препараты последней инстанции.

Цитирование: Huang, J., Zhang, W., Wang, A. et al. Discovery of antimicrobial peptides targeting Acinetobacter baumannii via a pre-trained and fine-tuned few-shot learning-based pipeline. Nat Commun 17, 2475 (2026). https://doi.org/10.1038/s41467-026-69306-2

Ключевые слова: антимикробные пептиды, устойчивость к антибиотикам, Acinetobacter baumannii, поиск лекарств с помощью машинного обучения, few-shot обучение