撰文 | 存中一贯 传统的治疗策略已经越来越难以治疗抗生素耐药性感染，每年因为抗生素耐药性感染而死亡的人数量已经多达1270000人【1,2】，因此当前迫切需要新的治疗方案或者发现新的抗生素。生物计算，尤其是蛋白质组挖掘等方法在新的抗生素发现中发挥了重要作用，包括抗菌肽（antimicrobial peptides, AMPs）的发现【3,4】。天然的抗菌肽能够分别通过蛋白水解、非核糖体途径合成以及由基因组编码产生【5,6】。与传统的抗生素不同，一些抗菌肽的耐药性进化速率非常慢，且与广泛应用的抗生素之间不存在交叉抵抗作用，这些抗菌肽将为临床应用提供新的元素。 近日，来自复旦大学类脑智能科学与技术研究院的青年研究员Luis Pedro Coelho带领团队与美国宾夕法尼亚大学的Cesar de la Fuente-Nunez团队合作在Cell发表了文章 Discovery of antimicrobial peptides in the global microbiome with machine learning ，他们通过机器学习从宏基因组公共数据库以及高质量微生物基因组中成功预测了大量的新的抗菌肽，并构建了一个抗菌肽数据库AMPSphere，其中大部分抗菌肽的序列都是以前没有发现过的。 AMPSphere的数据是通过机器学习分析63410种全球分布的宏基因组以及87920种高质量细菌和古菌基因组数据产生的，主要针对小的开放阅读框（small open reading frames, smORFs）。通过与抗菌肽专用数据库DRAMP（Data Repository of Antimicrobial Peptides）进行比较，共预测5518294个基因，占总预测smORFs的0.1%，编码863498种非冗余候选抗菌肽（c_AMPs）。分析其中约20%（172840种）的抗菌肽序列，发现来自不同的栖息地，包括人体肠道、植物以及其他。进一步分析表明，AMPSphere数据库中的抗菌肽来自72个不同的栖息地，可以被划分为8个高水平栖息地组，比如土壤/植物组（约占36.6%），水生组（约占24.8%）、人体肠道组（约占13%）等。 一些AMPs来源于大蛋白的水解，AMPSphere数据库只考虑指定的基因，通过与全长蛋白进行序列比较，发现约7%的蛋白与全长蛋白具有序列同源性，而27%的AMPs则仅与长蛋白共享相同的起始区域，说明一些蛋白在翻译中发生提前终止进而产生了AMPs。另外，研究人员还发现，c_AMPs主要由保守的基因组区域编码，核糖体基因的频率（23.6%）高于其他基因家族（4.75%）。值得注意的是，研究人员发现c_AMPs产生密度低时，人类肠道微生物和口腔微生物的传播性更强，体现了微生物传播与c_AMPs产生密度之间的负相关性。 研究人员对数据库中的c_AMPs氨基酸组成和结构进行了深入研究，发现AMPSphere序列中具有高丰度的脂肪族氨基酸残基，尤其是丙氨酸和缬氨酸。研究人员随机选取了部分c_AMPs进行结构分析，发现AMPSphere中的一些多肽具有不同的α-螺旋结构，另外，部分区域没有固定结构或者采用β反向平行构象。 之后，研究人员合成了100种c_AMPs，并检测这些多肽是否能够对抗11种致病菌，包括鲍曼不动杆菌、大肠杆菌、肺炎克雷伯菌、铜绿假单胞菌、金黄色葡萄球菌、耐万古霉素肠球菌、耐万古霉素粪球菌等。结果显示63种c_AMPs至少能够完全抑制一种致病菌的生长，一些情况下部分AMPs的起作用浓度可以低到1μM。其中，革兰氏阴性菌鲍曼不动杆菌和大肠杆菌以及革兰氏阳性菌耐万古霉素粪球菌、耐万古霉素肠球菌对AMPs表现出更高的敏感性，分别有39、24、21和26种多肽能够抑制它们生长。不过，已检测的AMPs中没有一种抗菌肽能够影响耐甲氧西林金黄色葡萄球菌的生长。上述结果显示了特定序列多肽具有显著的抗菌活性。 研究人员还检测了这些抗菌肽对人类相关微生物的影响，发现58种抗菌肽在低浓度时至少对一种共生菌株具有抑制作用，78种AMPs对病原菌或共生菌具有抗菌作用。进一步的实验发现，这些抗菌肽主要通过使病菌外膜通透而不是使病菌外膜去极化，从而达到抑制病菌生长的作用。最后，研究人员在小鼠皮肤脓肿感染模型中检测了抗菌肽的作用，synechocucin-1、lachnospirin-1、enterococcin-1和ampspherin-4表现出了优秀的抗菌效果。 总之，本研究通过机器学习从全球基因组中预测了约100万种候选抗菌肽，通过进一步的研究分析，发现一些抗菌肽具有拮抗病原菌的作用，相关抗菌肽可作为传统抗生素的替代候选药物，用于抗生素耐药性感染的治疗。研究人员建立的抗菌肽数据库具有重要意义，可作为新型抗生素的筛选库。 原文链接：https://doi.org/10.1016/j.cell.2024.05.013
制版人：十一
参考文献
1. de la Fuente-Nunez, C., Torres, M.D., Mojica, F.J., and Lu, T.K. (2017). Next-generation precision antimicrobials: towards personalized treatment of infectious diseases. Curr. Opin. Microbiol. 37, 95–102.2. Antimicrobial Resistance Collaborators (2022). Global burden of bacterial antimicrobial resistance in 2019: a systematic analysis. Lancet 399, 629–655.3. Stokes, J.M., Yang, K., Swanson, K., Jin, W., Cubillos-Ruiz, A., Donghia, N.M., MacNair, C.R., French, S., Carfrae, L.A., Bloom-Ackermann, Z., et al. (2020). A Deep Learning Approach to Antibiotic Discovery. Cell 180, 688–702.e13.4. Torres, M.D.T., Melo, M.C.R., Flowers, L., Crescenzi, O., Notomista, E., and de la Fuente-Nunez, C. (2022). Mining for encrypted peptide antibiotics in the human proteome. Nat. Biomed. Eng. 6, 67–75.5. Pizzo, E., Cafaro, V., Di Donato, A., and Notomista, E. (2018). Cryptic Antimicrobial Peptides: Identification Methods and Current Knowledge of their Immunomodulatory Properties. Curr. Pharm. Des. 24, 1054–1066.6. Nolan, E.M., and Walsh, C.T. (2009). How nature morphs peptide scaffolds into antibiotics. Chembiochem 10, 34–53.
