近日,微生物代谢全国重点实验室李雷团队在国际期刊《Nature Communications》上发表了题为De novo design of lipopeptides with antimicrobial potency enabled by a chain-as-prompt deep learning framework的研究论文。该研究基于“链即提示”(chain-as-prompt)机制,开发出首个可系统处理脂肪酸链修饰的脂肽抗菌活性预测模型,为抗菌脂肽的高通量发现与从头设计提供了新工具,并成功获得了多个成药性良好的抗生素先导化合物。上海交通大学博士生张凡、虞旭昶为论文共同第一作者,李雷长聘教轨副教授为论文通讯作者,本室为第一通讯单位。
研究背景:脂肽是破解抗菌肽困境的关键
抗菌肽(AMPs)是对抗多重耐药病原体的重要药物,但易被蛋白酶降解、生物利用度低,临床转化进展缓慢。抗菌脂肽(AMLPs)通过连接脂肪链形成两亲性分子,显著提升稳定性与膜穿透能力,是目前少数已成功应用于临床的肽类抗生素之一。然而,脂肪链作为非天然修饰,传统AI模型难以有效编码,导致脂肽研发长期依赖经验筛选,效率低、成本高。
技术创新:“链即提示”让AI精准识别脂肪酸链
针对这一难题,团队构建了一套两阶段深度学习框架。第一阶段,利用50,310条线性抗菌/非抗菌肽微调蛋白质语言模型ProtBERT,获得LinAMP-BERT,使模型具备识别氨基酸序列抗菌倾向的能力;第二阶段,将脂肪酸链类型(C6–C18)编码为可学习的“提示令牌”(prompt token),前置到肽序列嵌入中,通过自注意力机制动态调整序列特征,精准捕捉脂肪酸链对抗菌活性的特异调控作用。

图1 基于“链即提示”的AMLP模型架构与性能评估
结果验证:95.7%阳性率+广谱低度先导化合物LP630
利用该AMLP模型,研究团队从96,911个细菌基因组中挖掘出2,657个RiPP核心序列,虚拟连接7种脂肪酸链构建18,599个候选脂肽,经模型预测与理化规则过滤得到289个优选序列。随机合成46个序列,其中44个表现出较好的抗菌活性,阳性率达95.7%,充分验证了“模型设计预测 + 理化过滤 + 实验验证”协同策略的有效性。
特别地,先导化合物LP630对多种革兰氏阳性菌、阴性菌及分枝杆菌展现广谱活性,可同时结合细菌膜多种组分破坏膜结构,且无明显溶血活性或细胞毒性。小鼠伤口感染模型显示,LP630能显著降低细菌负荷并促进伤口愈合,具有很好的开发前景。

图2 小鼠伤口感染模型疗效图
研究意义
该研究建立了利用深度学习模型高通量发现新型脂肽药物的通用范式,显著加速了新结构、新靶点抗菌肽的精准设计与临床前开发。
该研究工作获得上海市合成生物学重大专项与国家重点研发计划(2023YFA0916200)的资助。
论文链接: https://www.nature.com/articles/s41467-026-78763-8
招聘信息
上海交通大学生命科学技术学院/微生物代谢全国重点实验室李雷课题组长期从事微生物天然药物创新发现与高效合成研究,诚招多名研究生与博士后,欢迎具有微生物学、合成生物学、生物信息学、天然药物化学等研究背景的学生加入,有意者请将简历发送至lei.li@sjtu.edu.cn。