OmegAMP는 생물학적 정보 기반 펩타이드 임베딩과 속성·균종 조건부 확산 생성 모델로 항균 펩타이드(AMP)의 물리화학적 성질과 균종 특이 활성을 세밀하게 제어하고, 합성 데이터 증강으로 훈련한 분류기로 오탐을 크게 줄여 후보를 선별한다. 25개 후보 중 24개(96%)가 in vitro 실험에서 항균 활성을 보였고 다제내성 균주에도 효과적이며, AMP 발견 파이프라인 전반에서 기존 최고 수준 성능을 달성했다.
항균제 내성으로 인해 매년 100만 명 이상이 사망합니다. 항균 펩타이드(AMPs)는 유망한 해결책이지만, 실제 펩타이드 약물에 필수적인 비천연 아미노산 및/또는 화학적 변형이 포함된 펩타이드를 설계할 준비가 생성형 AMP 모델에는 아직 되어 있지 않습니다. 우리는 AMPGAN v3를 소개합니다. 이는 생성 어휘를 D-아미노산 및 아미드화(amidation)와 같은 N/C-말단 변형으로 확장하는 다목표 조건부 생성적 적대 신경망(GAN)입니다. 두 개의 전문 판별자(discriminator)에 걸쳐 적대적 및 활성 인식 지도를 분리함으로써, AMPGAN v3는 학습(training) 안정성을 크게 향상시키고 외부 분류기에서 이전 생성형 AMP 모델을 능가합니다. 우리는 시험관 내(in vitro)에서 3가지 구조적 클래스에 걸친 5개의 후보를 검증했습니다. 두 후보는 그람 양성 균주에 대한 활성을 보였으며, 최상의 후보는 *B. subtilis*에 대해 MIC 8 μg/mL에 도달했습니다. 하류 큐레이션(curation)을 지원하기 위해, 우리는 계획 에이전트(Planning Agent)가 생성, 필터링 및 검증을 위한 전문 실행기를 조율하는 엔드 투 엔드 AMP 발견을 위한 멀티 에이전트 프레임워크인 PepCraft를 추가로 제시합니다. 해당 프레임워크의 우선순위 추천 사항은 우리의 시험관 내 결과와 일치합니다. 이러한 기여들을 종합하여, 우리는 작지만 실제 규모로 생성형 및 에이전트형 AI가 치료용 펩타이드 발견에서 어떻게 결합하는지 살펴볼 수 있습니다. 코드: https://github.com/marszzibros/AMPGANv3