Генеративный подход на основе искусственного интеллекта для оптимизации пептидных антибиотиков

Почему важны новые подходы к антибиотикам

Инфекции, устойчивые к лекарствам, распространяются быстрее, чем мы успеваем их лечить, и некоторые из последних резервных антибиотиков начинают давать сбои. В этом исследовании изучается, как новая форма искусственного интеллекта может помочь переработать природные фрагменты белков, называемые пептидами, в более мощные антибиотики с опорой на компьютерные модели и испытания на животных.

Преобразование древних молекул в современные лекарства

Работа опирается на любопытную идею: майнинг геномов вымерших животных в поисках скрытых антимикробных пептидов. Ранние исследования уже обнаруживали такие молекулы в ДНК видов, например, шерстистого мамонта и гигантского наземного ленивца, но многие из этих природных пептидов обладали лишь умеренной активностью против бактерий. Вопрос здесь в том, сможет ли система ИИ взять эти грубые отправные точки и быстро предложить небольшие изменения последовательности, превращающие их в более сильные, более безопасные антибиотики без обычного медленного метода проб и ошибок в лаборатории.

Как работает цикл дизайна с ИИ

Авторы создали ApexGO — фреймворк проектирования, который сочетает модель глубинного обучения с поисковой стратегией. Трансформерный «транслятор» сначала переводит каждую последовательность пептида в положение в гладком математическом пространстве, где похожие последовательности расположены рядом. Вторая модель, названная APEX, предсказывает, какое количество каждого пептида требуется, чтобы остановить рост нескольких проблемных бактерий. Байесовский поисковый алгоритм затем исследует это гладкое пространство, предлагая новые варианты пептидов, которые, вероятно, будут более мощными, при этом оставаясь по крайней мере на три четверти похожими на исходный шаблон и пригодными для производства на практике.

От компьютерных предложений к реальным молекулам

Используя десять различных вымерших пептидов в качестве шаблонов, ApexGO сгенерировал множество кандидатов и отобрал 100 для химического синтеза. Их протестировали в лаборатории против одиннадцати клинически важных бактерий, включая несколько, которые устойчивы к стандартным препаратам. Восемьдесят шесть из 100 разработанных пептидов показали измеримую активность, и примерно две трети явно превзошли свои исходные шаблоны, с ещё большей долей успеха против грамотрицательных бактерий, которые часто труднее всего лечить. Команда также сравнила ApexGO с другими генераторами ИИ и обнаружила, что старые системы испытывали трудности, когда их заставляли оставаться близкими к заданному шаблону, тогда как ApexGO надёжно давал улучшенные варианты в этих ограничениях.

Что показали лабораторные и животные испытания

Исследователи глубже изучили поведение оптимизированных пептидов. Они измеряли, как молекулы сворачиваются, как нарушают мембраны бактерий и вредят ли они клеткам почки человека в культуре. Новые пептиды охватывали множество форм — от рыхлых цепочек до спиралей — и ни одна отдельная структура не гарантировала высокую активность, что указывает на то, что ИИ может использовать несколько физических путей для уничтожения бактерий. Большинство разработанных пептидов не были токсичны при тестируемых дозах. В мышиных моделях кожной и глубокой мышечной инфекции опасным бактериальным штаммом Acinetobacter baumannii выбранные оптимизированные пептиды снижали число бактерий на три-четыре порядка. В некоторых случаях они сопоставлялись или даже превосходили антибиотики последней инстанции, такие как полимиксин B, и всё это без очевидных побочных эффектов у животных.

Что это значит для будущего антибиотиков

Исследование показывает, что цикл оптимизации с поддержкой ИИ может надёжно повысить эффективность существующих пептидных антибиотиков, даже начиная лишь с умеренно активных природных последовательностей. Вместо слепого поиска в огромном пространстве возможных пептидов ApexGO учится на каждом раунде предсказаний и экспериментов, фокусируясь на вариантах, которые одновременно мощны и относительно безопасны. Хотя требуется ещё много работы для решения таких вопросов, как стабильность в организме и режимы дозирования у людей, этот подход указывает на более быстрый и целенаправленный путь создания новых антибиотиков в критически важное время.

Цитирование: Torres, M.D.T., Zeng, Y., Wan, F. et al. A generative artificial intelligence approach for peptide antibiotic optimization. Nat Mach Intell 8, 841–856 (2026). https://doi.org/10.1038/s42256-026-01237-5

Ключевые слова: устойчивость к антимикробным препаратам, пептидные антибиотики, генеративный ИИ, байесовская оптимизация, поиск лекарств