arXiv:2606.17127v1 q-bio.QM

AMPGAN v3를 활용한 비전형 항균 펩타이드의 에이전트형 발견

Agentic Discovery of Non-Canonical Antimicrobial Peptides with AMPGAN v3

Jay Jung, Xiaohan Zhang, Shenghan Song, Mahmoud Sayedahmed, Chijian Xiang, Yunong Xu, Ahmed AbdelKhalek, Severin T. Schneebeli, Matthew J. Wargo, Jianing Li, Safwan Wshah

제출 2026-06-15

한국어 초록

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

원문 초록

Antimicrobial resistance causes to over a million deaths annually. Antimicrobial peptides (AMPs) are a promising solution, but generative AMP models are not yet ready to design peptides with non-natural amino acids and/or chemical modifications, which are essential for real-world peptide drugs. We present AMPGAN v3, a multi-objective conditional GAN that expands the generative vocabulary to D-amino acids and N/C-terminus modifications such as amidation. By separating adversarial and activity-aware supervision across two specialized discriminators, AMPGAN v3 substantially improves training stability and outperforms prior generative AMP models on external classifiers. We validated five candidates spanning three structural classes in vitro; two showed activity against Gram-positive strains, with the best candidate reaching MIC 8 μg/mL against B. subtilis. To support downstream curation, we further present PepCraft, a multi-agent framework for end-to-end AMP discovery in which a Planning Agent orchestrates specialized executors for generation, filtering, and verification. Its prioritization recommendations align with our in vitro outcomes. Together, these contributions let us examine, on a small but real scale, how generative and agentic AI compose in therapeutic peptide discovery. Code: https://github.com/marszzibros/AMPGANv3

제출 이력

확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.

  1. arXiv:2606.17127v1제출 시각 미확인

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2607.12380v2cs.LG공통 태그 Drug Discovery

SinAE: 교차 도메인 원자계를 위한 단일 아키텍처 플로우 매칭 오토인코더

SinAE: A Single-Architecture Flow-Matching Autoencoder for Cross-Domain Atomic Systems

소분자, 결정체, 단백질은 모두 3차원 공간의 원자로 환원되지만, 생성 파이프라인은 여전히 도메인별로 분절되어 있으며 각각 고유한 그래프, 등변(equivariant), 또는 프레임 기반 아키텍처를 사용한다. 교차 도메인 학습은 도메인별 데이터 부족을 완화할 수 있지만, 3차원 좌표 공간에서의 직접 생성은 세 도메인 모두의 이질적인 구조적 사전지식을 쉽게 다루기 어렵고, 기존 잠재 오토인코더 중 무손실이면서 세 도메인 모두에 걸쳐 아키텍처적으로 일반적인 것은 없다. 우리는 분자, 결정체, 단백질을 위한 단일 아키텍처 플로우 매칭 오토인코더인 SinAE를 제안하며, 이는 바닐라 트랜스포머 인코더와 디코더를 사용하고 등변, 그래프, 또는 도메인 특화 연산자를 포함하지 않는다. 인코더가 세밀한 기하를 포착하도록 요구하는 대신, SinAE는 재구성 부담을 반복적 플로우 매칭 디코더로 옮겨 도메인 전반에 걸쳐 거의 무손실 재구성을 달성하고, 기존 잠재 베이스라인 대비 재구성 오차를 여러 차수에 걸쳐 감소시킨다. 동일한 토큰별 잠재는 표준 Diffusion Transformer 사전 모델을 지원하며, 이는 분자, 결정체, 단백질 생성 벤치마크에서 강력한 성능을 달성한다. 분자-결정체 공동 학습은 두 도메인 모두를 뚜렷이 개선하여, 공유 원자 잠재를 통한 교차 도메인 전이의 직접적 증거를 제공한다. 코드는 https://github.com/BlueWhaleLab/SinAE 에서 이용할 수 있다.

arXiv:2607.09737v2physics.chem-ph공통 태그 Drug Discovery

Q-Score: 분자 도킹을 위한 양자 네이티브 스코어링 함수

Q-Score: A Quantum-Native Scoring Function for Molecular Docking

분자 도킹은 소분자가 단백질에 결합하는 방식을 예측하며, 신약 개발의 핵심 병목 단계이다. 고전적인 스코어링 함수는 경험적 쌍별 접촉을 합산하는 방식으로, 결합 특이성을 결정하는 궤도 전하 이동과 같은 양자역학적 효과를 반영하지 못한다. 본 연구에서는 Q-Score를 제안한다. Q-Score는 GNN으로 예측된 궤도 전자 공여-수용 에너지를 가중 그래프로 인코딩하고, Digitized-Counterdiabatic QAOA를 통해 최대 가중치 정점 클리크 문제를 풀어 결합을 스코어링한다. 각 상호작용 앵커는 하나의 큐비트에 대응되며, 호환성 제약 조건은 에지로 표현된다. 11개의 단백질 타겟에 대해 DC-QAOA는 10큐비트에서 8개의 타겟에서 정확한 최적해를 복원한다. AI 생성 분자 1,000개에 대해 Q-Score는 Spearman rho 0.05로 고전적 스코어링과 직교하며, rho 0.90으로 궤도 품질에 의해 주도되고, 분자량 바이어스가 없으며, 무작위 대비 두 배의 비율로 강한 궤도 상호작용을 농축시킨다. DC-QAOA는 52%의 정확률과 함께 평균 근사 비율 0.94를 달성한다. IBM Eagle에서 1,000개의 회로 실행을 통해 NISQ 하드웨어상 6큐비트 문제의 해결 가능성이 확인되었다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.