机器学习的热度近年来一直飙升。卷来卷去，大家最终都看向了最后的终点：数据量够大+体内体外验证形成闭环+想法够新。今天和大家一起学习这篇抗菌肽机器学习的文章吧！

继抗生素耐药后，抗菌肽（AMP）被发现（通过静电吸引结合带负电荷的微生物膜，形成离子通道导致内容物泄漏）。在医药领域，其不易耐药性被发现和广泛应用。打个比方，在抗生素这里，每种抗生素就是一把钥匙，微生物是一把锁，如果锁换了，那么就形成了耐药；在抗菌肽这里，抗菌肽是一把电钻，微生物膜是一面墙，即使锁换了，墙还是会被打孔，微生物仍然会漏液死亡。

那么，机器学习可以辅助抗菌肽什么呢？【新思路】

抗菌肽是由基因编码的，本质是10-100个氨基酸，传统技术很难检测这些微小的短肽，故被称为垃圾肽。机器学习可以处理大规模序列，并发现传统方法难以识别的潜在AMP。

1.第一步：说明自己建库的方法。该研究利用来自环境和宿主栖息地的63,410 个宏基因组和 87,920 个原核基因组的庞大数据库，创建了 AMPSphere，这是一个包含 863,498 个非冗余肽的综合目录。

2.第二步：验证库的准确性。 AMPSphere 包含来自多个栖息地的近 100 万 c_AMPs（候选抗菌肽）【实验检测+算法交叉验证确认了数据库的可靠性，同时筛选出高潜力的AMP】【AMPSphere揭示了微生物组中大量新型抗菌肽（92.9%为全新序列），其独特性和多样性远超现有数据库】

3.第三步：AMPs的起源和进化。抗菌肽的稀有性和栖息地特异性，使其分布受生态位限制。c_AMPs不仅由独立基因编码，还可通过基因组突变（如提前终止）或翻译后剪切从全长蛋白中释放。追溯基因组的上下源，c_AMPs 更频繁地在与核糖体基因相关（核糖体基因有抗菌的功能）保守基因组中，推测可能是核糖体基因不恰当的时机进行了复制。c_AMPs的产生具有菌株特异性。传播性更强的物种具有更低的c_AMPs密度，即c_AMPs低传播性更强。c_AMPs的物理化学特性和二级结构，证明其活性与二级结构无关。

4.第四步：实验验证。天然抗菌肽通常不针对微生物群落菌株，合成的抗菌肽在低浓度下对至少一种（肠道）共生菌株表现出抑制作用；c_AMPs抗菌的机制通过优先破坏外膜，发挥抗菌作用；小鼠简单建模体内验证AMPs的抗感染效果。