生物活性肽的 "智能导航仪"： AI 如何破解研发痛点？

生物活性肽的传统发现流程堪称一场漫长的 "征途"。从蛋白质酶解、超滤，到离子交换层析、反相高效液相色谱，每一步分离纯化都需要精密操作，不仅消耗大量实验室资源，还可能导致目标肽段流失。即便最终通过液质联用技术鉴定出序列，整个过程也可能耗时数月甚至数年。更棘手的是，自然界中生物活性肽来源分散、功能多样，仅 BIOPEP-UWM 数据库就收录了超过 5000 种，传统方法难以实现规模化筛选，许多具有潜在价值的肽段始终 "藏在深闺人未识"。

AI 技术的出现，为生物活性肽发现搭建了全新的数字化平台。其核心流程包含六个关键步骤：先通过数据库挖掘与文献整理收集海量数据，经去重标注后构建高质量数据集；再将肽段的序列、结构等生物特征转化为机器可识别的物理化学描述符，如今更有预训练蛋白质语言模型（如 ESM、ProtBERT）能自动学习肽段核心特征；随后构建分类或回归模型，通过随机森林、卷积神经网络（CNN）、Transformer 等算法进行训练优化；最后经交叉验证后，即可实现高通量预测与新肽段筛选。

这套流程不仅将发现周期从数年缩短至数周，还能突破传统方法的局限。例如，DeepMAMP 模型通过 LightGBM、LSTM 与注意力机制的结合，成功从母乳中预测出 322 种抗菌肽；Macrel 工具则直接从基因组数据中挖掘抗菌肽，助力科研人员从 6 万多个宏基因组中筛选出近百万个候选肽段。在抗氧化肽领域，AnOxPP 模型凭借双向长短期记忆网络（BiLSTM），实现了 96.7% 的预测准确率，远超传统实验筛选效率。

AI 驱动的生物活性肽研究主要分为预测模型与从头设计两类。预测模型通过分类或回归解决 "是什么" 和 "活性有多强" 的问题，而从头设计则通过生成对抗网络（GANs）、变分自编码器（VAEs）等模型创造全新肽段。现代生成模型更将生成与预测步骤深度融合，借助强化学习优化肽段的效价、稳定性与低毒性等多重属性。

面对日益严峻的抗生素耐药性问题，AI 驱动的抗菌肽研发提供了新解法。抗菌肽（AMP）长度多在 10-100 个氨基酸之间，可通过靶向细胞壁、细胞膜或细胞内成分发挥作用，其机制包括桶状孔道模型、地毯模型等多种方式。

专用数据库的建设为 AI 研发奠定了基础，APD3 收录 5099 种抗菌肽，dbAMP 则涵盖 33065 种抗菌肽及 2453 种抗菌蛋白。基于这些数据，AMPlify 模型成功从牛蛙基因组中发现针对 WHO 优先级病原体的抗菌肽；AMPGenix 模型以 ProteoGPT 为基础，生成 7798 种肽段，经验证后 3 种具有广谱抗菌活性，且耐药性诱导风险更低。Macrel 工具更实现了从基因组数据直接挖掘，助力 AMPSphere 项目从海量宏基因组中筛选出近百万个抗菌肽候选物。

氧化应激与糖尿病、癌症、衰老等多种问题相关，抗氧化肽（AOP）通过三大机制发挥作用：直接中和活性氧（ROS）、螯合 Fe²⁺等金属离子阻止羟基自由基生成、调控抗氧化酶表达。AODB 数据库收录了 1480 种抗氧化肽及 56666 种抗氧化小分子，为 AI 研究提供了数据支撑。

AI 模型在抗氧化肽研发中表现亮眼：AnOxPePred 通过 CNN 模型区分自由基清除剂与金属螯合剂，AOPxSVM 经特征工程优化后准确率达 93.33%。科研人员通过生成模型与密度泛函理论（DFT）结合，设计出 6 种抗氧化活性媲美维生素 C 的肽段；借助 AI 技术，从棉籽蛋白、米糠、鱿鱼皮等原料中也成功筛选出高活性抗氧化肽。

炎症反应涉及 NF-κB、MAPK 等复杂信号通路，过度炎症会引发多种疾病。抗炎肽（AIP）通过抑制受体结合、阻断激酶磷酸化等机制调控这些通路，部分肽段还兼具抗菌或抗氧化功能。

AI 预测工具不断升级，从早期的 antiInflam 到采用预训练蛋白质语言模型的 DeepAIP，预测准确率持续提升。DeepAIP 曾从非训练集中成功识别出 17 种已验证的抗炎肽，验证了其泛化能力。这些工具多以 IEDB 数据库为数据来源，该数据库收录了能触发抗炎细胞因子的实验验证表位，为模型训练提供了可靠基础。

超过 67% 的蛋白质具有多结构域，而肽段同样可具备多功能性 —— 既可能本身拥有多种作用机制，也可能在特定场景下展现附加功能。例如 Temporin G 兼具抗菌与抗病毒活性，部分抗氧化肽在感染模型中可发挥抗炎作用。

AI 技术为多功能肽研发提供了高效手段：MMDB 模型通过多模态数据融合与双分支结构，实现 73.3% 的多功能预测准确率；DLFea4AMPGen 整合深度学习特征，从头设计的抗菌肽活性可媲美万古霉素等经典药物。研究多聚焦于协同功能组合，如抗菌 - 抗氧化 - 抗炎三联功能，或通过融合细胞穿透肽（CPP）提升靶向性。

除四大核心类别外，AI 还助力多种特色生物活性肽的发现。降压肽（AHP）通过调控肾素 - 血管紧张素系统发挥作用，梯度提升决策树（GBDT）已用于其筛选；抗焦虑肽、抗癌肽、抗衰老肽等也成为研究热点，LLM 模型更被用于优化消化酶组合，提升肽类产量。这一趋势表明，AI 驱动的肽类研发正从单一功能向系统级解决方案拓展，覆盖更多复杂疾病场景。

随着技术迭代，AI 在生物活性肽领域的应用将更加深入。未来，场景化定制将成为核心方向 —— 例如为炎症性肠病患者设计兼具抗氧化与抗炎功能的肽类药物，或针对特定病原体定制高特异性抗菌肽。通过模拟蛋白质消化过程，AI 还能精准预测食物在体内释放的生物活性肽，指导功能性食品研发。