深圳理工大学 (筹) 张增辉和张海平团队JCIM | 联合基于深度学习肽段生成和筛选方法有望加速全新活性肽发现

英文原题：

Deep-learning Based Bioactive Therapeutic Peptides Generation and Screening

通讯作者: 张增辉、张海平，深圳理工大学（筹）合成学院；

作者：Konda Mani Saravanan, Yanjie Wei, Yang Jiao, Yang Yang, Yi Pan, Xuli Wu,

许多生物活性肽显示出对复杂疾病的治疗作用，例如抗病毒、抗菌、抗癌等。加之全新肽相较全新化合物更容易合成，活性肽生成技术对于药物开发具有重要意义。该研究构建了一个生成全新肽的 LSTM 模型（称为 LSTM_Pep），并可微调以生成具有特定潜在活性的全新肽。联合基于深度学习的蛋白质-肽预测模型 (DeepPep)，用于快速生成、筛选针对给定靶点的全新肽。该工作为人工智能如何帮助发现全新活性肽提供了思路。

2023年02月01日，深圳理工大学（筹）合成学院张增辉教授，张海平副研究员等在化学信息学和人工智能研究领域的国际权威学术期刊 JCIM 上发表了题为“Deep-learning Based Bioactive Therapeutic Peptides Generation and Screening”的研究论文，揭示了深度学习在全新活性肽生成和筛选上的显著运用潜力。这一发现对基于深度学习的全新肽段的生成，筛选，设计具有明显的借鉴的意义。该团队开发了一种基于深度学习的模型，可以生成类天然肽。通过微调模式从头生成各种潜在的生物活性肽，包括抗真菌、抗细菌、抗癌、抗糖尿病、抗HIV、抗疟疾、抗氧化、抗寄生虫、抗毒素、抗病毒、蛋白酶抑制剂等。这可以大大促进从头发现生物活性肽。此外，项目团队还提出了一种混合管道，以进一步获得针对给定目标的潜在生物活性肽，其中包含深度学习、对接、MD 模拟和 Metadynamics 模拟。已知的蛋白质-肽结构相互作用细节也有助于后期的肽设计和改进。

该研究还提出了一种深度学习蛋白质-肽预测模型，可以针对给定目标高效准确地筛选生成的肽。此外，目前的工作表明，基于深度学习的迭代生成和筛选会为给定的蛋白质靶标产生更高的预测亲和力从头候选肽。这里提出的迭代肽生成和筛选策略对于医药公司来说是非常可取的，以有效地获得可以应用结构和功能专利的潜在从头肽药物。

项目团队已经使用 Main 蛋白酶作为概念验证获得了几种候选肽。通过分子动力学模拟和 metadynamics 动力学模拟预测的结合稳定性和预测的结合自由能曲面进一步检查预测的候选者。此外，项目团队还提出结合 LSTM_Pep 和 DeepPep 有望高效从头生成和筛选活性肽。目前，通过与深圳大学吴序栎教授课题组合作，该方案已开始运用到了黄嘌呤氧化酶抑制肽实际案例中，并且快速的找到了一个活性肽*，后续模型运用相关工作将陆续推进。

*：https://www.biorxiv.org/content/10.1101/2023.01.11.523536v1