很多抗菌肽模型只看氨基酸序列。但脂肽还带着一条脂肪酸“尾巴”，尾巴长度会改变分子与细菌膜的相互作用。只把肽序列交给模型，可能就漏掉了决定活性的另一半信息。
这项研究把脂肪链也纳入模型条件。作者提出 AMLP 深度学习框架，用 chain-as-prompt 表示脂肪酸链，再通过领域自适应迁移学习，让模型从已有抗菌肽数据迁移到脂肽活性预测。它不是让通用大模型随意写序列，而是先预测“肽序列 + 脂肪链”这个组合是否值得合成。
从细菌基因组到可合成候选
研究者先从 96,911 个细菌基因组中筛出 2,657 条 RiPP 核心肽序列，再为每条序列虚拟接上 7 种 N 端脂肪酸链，长度从 C6 到 C18，形成 6,197 个“肽—脂肪链”组合。模型初筛后，作者又结合带正电氨基酸 K、R、H 的比例，以及常见的 C12、C16 脂肪链，缩小到 289 个候选。
这里的 95.7% 命中率，指的是从这 289 个优选候选中随机挑出的 46 个被合成后，有 44 个在实验中显示抗菌活性；不是说模型生成的所有序列有 95.7% 成功率。模型的价值在于把合成实验集中到更可能有效的一小批分子。
LP630：从模型筛选走到小鼠伤口模型
论文重点展示了LP630。它带C12脂肪链，肽序列为 RRRGCERLSAGARA。在体外测试中，LP630 对鲍曼不动杆菌 ATCC 19606 和枯草芽孢杆菌 ATCC 23857 的 MIC 均为 2 μM；对其他菌株的效力并不完全相同。作者还报告了它与多种细菌膜组分的相互作用，并在小鼠伤口感染模型中观察到剂量相关的抗菌效果。
不过，体外环境和真实组织环境差别不小。补充实验显示，加入 10% 小鼠血清后，LP630 的 MIC 会明显升高：不同培养条件下，对所测菌株大约增加 8 到 16 倍。这提醒我们，漂亮的体外命中率并不自动等于体内药效；稳定性、蛋白结合、暴露量和给药方式仍会影响候选物能否继续开发。
关键不只是“AI 找到了抗菌肽”
更值得借鉴的是它怎样处理化学修饰：脂肪链不是事后补上的装饰，而是模型输入的一部分。作者在自己的留出测试集上比较了 chain-as-prompt 与几种融合方案；该方法的准确率和 MCC 较高，但并非每项指标都第一，例如 FiLM 的召回率和 F1 略高。因此，这些数据支持的是该表示方式在本研究数据上的实用性，不是对所有脂肽任务的独立证明。
下一步还要回答更难的问题：候选物在复杂体液中能否保持效力？是否有足够安全窗、可接受的药代性质，能否避免耐药？目前的小鼠伤口模型是临床前证据，不是人体疗效，也不能据此称为可用抗生素。
往期好文推荐
从“无监督猜”到“有偏好改”：ProteinDPO如何让蛋白质生成模型听懂实验数据
还在为单细胞数据分析头秃？这款免费“细胞工作站”让你告别生信代码恐惧
告别传统抗生素！AI+物理攻击，新型“肽”武器精准击杀“超级细菌”
病毒界的“暗物质”被捕获：新算法让未知病毒无所遁形，检出率暴涨40倍
糖尿病治疗新思路：把“叛军”改造成“友军”，让胰腺自己长出新胰岛
同样是化疗+免疫，为什么有人获益有人无效？关键线索藏在这管血里
往期课程推荐
订阅会员畅享课程
超值第三期蛋白体系分子模拟
超值第一期分子对接
订阅第一期AI-DOCK-VS-MD-R