目前，治療耐藥菌感染患者的藥物種類十分有限，急需開發抗菌肽（AMPs）。本文匯總現有技術下對AMPs的結構、動力學和功能開展的研究，有利于與實驗研究形成互補。
背景介紹
抗生素本身是治療感染疾病的有效方法，然而抗生素的濫用使致病菌抗藥能力得到“鍛煉”，因此治療效果大打折扣。此時，AMPs應運而生。作為一種抗菌肽，AMPs主要特性是兩親性和陽離子性，該特性有利于其通過各種可能的方式破壞細菌的陰離子細胞膜（圖1），而不影響兩性離子宿主細胞膜。此外，AMPs的作用機制似乎是由其二級和三級結構決定的，這些結構可以是α-螺旋，β-折疊或loop（圖2）。盡管AMPs十分重要，但是現如今對于AMPs相關實驗研究難度較大，需輔以計算模擬數據。本文通過收集與AMPs相關的計算研究來為AMPs研究人員提供有用的指南，其中包括：利用模式識別和機器學習預測新型AMPs的特征和結構以及采用分子模擬方法解釋AMPs與細菌膜的相互作用機制。
圖1. AMPs作用機制示意圖。圖片來源于：JCIM
?
圖2. 常見的AMPs結構。圖片來源于：JCIM
AMPs結構和活性的預測方法
現有對于識別新型AMP的前瞻性研究中有許多工具可供使用。其中有幾個可以收集和分類已知序列的數據庫可供訪問，例如CAMPR3、APD、YADAMP等。有些數據庫還帶有經過驗證的預測工具。這些預測工具能夠在數千個已知的抗菌肽上進行訓練，以推斷序列與特性之間的關系和相關性，從而獲得假定序列具有抗菌活性的可能性；不僅如此還可以嘗試預測特定假定AMP的作用機制?，F有的分析預測工具有CAMPR、AMPScanner、ADAM等（表1），其中在多個數據集中表現最好的是amPEPpy和AMPfun，在最新發現的10個AMPs中正確率最高的則是IAMPE。?
表1. AMP活性分析預測工具。表格來源于：JCIM
為了更具針對性的查找和預測，大量的機器學習方法應用于此。機器學習（ML）利用統計數據來發現和學習大量數據中的模式，從而推斷氨基酸組成和具有抗菌活性的多肽的理化性質之間的經驗關系。研究人員利用ML算法對AMP的氨基酸序列用相關的物理化學特性進行標注，其中包括AMP的肽長度、分子量、氨基酸組成、電荷、親脂性和凈電荷，以這些特性為訓練算法的特征向量。然后，根據訓練數據可用性進一步調整預測模型以達到了解AMP氨基酸序列與活性之間關系的目的，設計具有增強抗菌療效的AMP（圖3）。從現有的機器學習算法中汲取靈感，開發了基于KNN算法的iAMP-2L模型可以預測AMP不同作用模式和目標的例子；基于ANN算法的iAMPpred模型可以計算與給定肽序列相關的抗菌、抗病毒和抗真菌的概率；基于SVM算法的CS-AMPPred125模型可以基于二級結構和序列特性的五個描述符預測抗菌活性；還有兩層RF分類器，準確率大約在87%。第一層預測一個肽是否是AMP，第二層預測其作用模式和靶生物。神經網絡最近也在AMP預測領域得到了應用。深度神經網絡（DNN）與長短期記憶網絡（LSTM）相結合生成具有AMP特性的新序列，并且預測精度優于隨機生成的多肽。
圖3. 應用機器學習預測AMP的流程圖。圖片來源于：JCIM
一旦確定了一個具有潛在AMP活性的新序列，利用表2所示方法對其二級和三級結構的預測可以進一步提高了解其抗菌能力的準確性。聚集也是一些AMP的重要性質，使用如表3所示的方法也可以進行預測。
表2. AMP二級結構預測工具列表。表格來源于：JCIM
表3. AMP聚合預測工具列表。表格來源于：JCIM
AMPs的結構、作用機制和特性的模擬方法
分子動力學模擬用于研究AMP在不同環境下結構動力學的時間演化，這有助于我們了解AMP在膜中的結構取向變化、AMP插入和破壞細菌膜以及AMP聚集成孔的情況。
MD模擬表明帶正電荷的AMP的α-螺旋通過靜電和疏水相互作用穩定結合在帶負電荷的細菌膜上，這使得AMP插入細菌膜。隨著溫度升高，AMP插入細菌膜的速度變快，并且折疊成已知的螺旋結構。粗?；M表明AMP能在磷脂雙層膜上聚集，平均大小為14個單體每簇，其中AMP自組裝形式如圖4所示。AMP聚集后形成孔結構從而破壞細菌膜的雙分子層。值得注意的是，對于AMP聚集的研究往往需要多種類型的模擬來充分取樣，從而準確分析AMP聚集成孔并破壞膜的機制。目前研究AMP聚集的常用模型為Melittin和Magainin 2。
圖4. AMP自組裝的示意圖。圖片來源于：JCIM
一些研究利用了雙分子層的自組裝方法觀察AMP嵌入雙分子層的組裝，包括脂質、AMP、和水分子，從而發現AMP孔隙結構穿透細菌膜不需要克服能量障礙。除了細菌的細胞質膜外，還通過改變脂質比率以代表不同生物體的膜（表4）與AMP的作用，其中AMP可形成四聚體優先與陰離子脂POPC相互作用，并且膜表面會顯著變形?？偠灾?，計算模型和模擬對于幫助我們理解AMP是如何在細菌細胞膜中插入、破壞和/或形成孔的非常重要。
表4. 脂質成分及其代表的膜。表格來源于：JCIM
參考文獻
Pietro G A Aronica, et al. Computational Methods and Tools in Antimicrobial Peptide Research. J. Chem. Inf. Model. 2021, 61, 7, 3172-3196. DOI: 10.1021/acs.jcim.1c00175.