Cell Rep. Methods | 深度学习驱动代谢相关寡肽候选物发现

人工智能正在加速治疗性肽的发现，但现有方法主要集中于抗菌肽、抗癌肽和细胞穿透肽等拥有大量训练数据的领域。对于代谢、内分泌和组织再生等疾病场景，可用于训练的已验证活性肽数量有限，导致传统依赖“活性肽—非活性肽”监督数据的AI模型难以推广。针对这一问题，研究人员开发了 Deepeptide，一种无需针对每种适应证重新收集大量阳性肽数据的通用深度学习寡肽发现框架。

Deepeptide的核心思想是利用“疾病适应证—生物过程—分子功能”之间的内在联系。研究人员首先确定能够改善目标疾病的生物过程及相关分子功能，再从蛋白质组中寻找具有这些功能的内在无序区（IDR），构建大型功能性“原肽”库。随后，通过由蛋白质语言模型ESM-2、双向长短期记忆网络和条件随机场组成的深度学习模型，从这些原肽中识别可能经蛋白水解产生的4–10个氨基酸寡肽，并结合功能富集、溶解性、毒性和序列新颖性进行优先排序。

研究人员将Deepeptide应用于血管生成、脂质代谢、成骨、葡萄糖代谢和抗血管生成五种代谢相关场景。整体上，62%的实验候选表现出显著生物活性，多数活性可达到相应基准治疗药物的水平。尤其是七肽AP7在小鼠创伤模型中表现出与VEGF相当的促血管生成和伤口修复能力，而六肽TP6则同时改善高脂饮食诱导的肥胖和高脂血症。结果表明，通过整合疾病知识、蛋白质功能和深度学习，可以绕过适应证特异性训练数据不足的问题，从蛋白质“暗物质”中寻找具有治疗潜力的新型短肽。

治疗性肽兼具较高活性、选择性以及通常较低的毒性和免疫原性，在内分泌、代谢和肿瘤等疾病中具有重要价值。寡肽作为其中的重要类别，由于序列较短，还具有合成方便和成本相对较低等优势。然而，与小分子药物类似，从巨大的蛋白质和肽序列空间中发现具有特定治疗功能的短肽仍然十分困难。

近年来AI肽发现取得快速进展，但大部分模型依赖大量已知阳性样本。例如，要开发一种抗菌肽预测器，通常需要大量已验证抗菌肽作为训练数据。这导致AI研究产生明显的“路灯效应”：数据丰富的少数领域不断获得更强模型，而缺乏实验数据的疾病适应证很难建立可靠预测器。

Deepeptide试图改变这一模式。研究人员认为，疾病相关生物过程由特定蛋白质分子功能驱动，而蛋白质的部分功能又可能由其中较短的局部序列承担。因此，与其直接学习“什么样的肽能够治疗肥胖”，不如先确定“哪些分子功能能够改善脂质代谢”，然后在拥有这些功能的蛋白质区域中寻找潜在活性肽。这样便可以利用丰富的蛋白质功能知识代替稀缺的适应证特异性活性肽数据。

研究人员首先利用疾病关键词确定与目标适应证相关的生物过程，并通过功能富集筛选具有改善作用的分子功能；随后利用功能预测模型从人、小鼠和大鼠共384,651条蛋白质组成的“蛋白质宇宙”中筛选具有相应功能的IDR，建立适应证特异性的原肽库。之所以选择IDR，是因为其数量丰富、功能多样，并广泛参与蛋白质相互作用。第二阶段采用ESM-2编码氨基酸序列，由Bi-LSTM捕获上下文关系，再使用CRF按照B、I、E和O标签识别潜在生物活性肽边界。模型训练集包含7,028条蛋白质来源的内源性生物活性肽，对应7,894个原肽。获得4–10个氨基酸的候选寡肽后，再依据其在目标功能IDR中的富集程度和功能评分进行排序，同时过滤已知肽，并考虑溶解性、预测毒性和序列新颖性，最终选择高排名候选进行细胞和动物实验验证。

图1：Deepeptide总体框架——从疾病相关生物过程和分子功能到功能IDR库，再利用深度学习识别和排序候选寡肽。

Deepeptide首先回答“去哪里寻找活性肽”。相比仅从已知分泌蛋白或成熟肽数据库搜索，研究人员选择IDR作为候选原肽来源。IDR在蛋白质组中广泛存在，具有丰富的分子功能，并经常介导蛋白质–蛋白质相互作用，因此能够形成规模更大、功能更加多样的候选空间。

研究人员进一步利用功能预测模型从大量蛋白质中筛选目标功能IDR。值得注意的是，其中相当一部分来源于功能尚未得到充分研究的蛋白质，即所谓蛋白质“暗物质”。这些蛋白过去很少进入药物发现流程，但其序列中可能隐藏大量尚未发现的活性短肽，因此显著拓宽了候选来源。

随后，深度学习模型解决“从原肽的什么位置切出寡肽”的问题。模型将这一任务视为类似自然语言处理中命名实体识别的序列标注问题，通过ESM-2获取蛋白质语言表示，Bi-LSTM分析上下文，CRF识别潜在切割边界。在25种上市寡肽药物的独立测试中，模型能够准确恢复其中5个核心序列，并将另外两个核心序列定位到仅相差1–3个氨基酸的位置。同时，模型平均每1000个氨基酸只产生约3个候选肽，大幅缩小后续实验筛选空间。

血管生成任务展示了Deepeptide的完整筛选流程。研究人员首先找到20个正向调控血管生成的生物过程，从453个相关蛋白中进一步筛选出9种促进血管生成的分子功能，最终建立包含35,936个功能IDR的专用序列库。

深度学习模型首先从中识别6,517条候选寡肽。去除重复序列后剩余4,465条，再排除训练数据中已经出现的已知肽，获得4,367条新序列。经过溶解性和毒性筛选后剩余2,729条，其中487条在目标功能IDR中表现出显著富集。最后根据功能评分和序列新颖性选择15条进行实验验证。这15条肽与训练数据中已知肽的最高序列一致性平均只有49.5%，表明模型并非简单重新发现训练集中的相似序列。

这一流程体现了Deepeptide与传统二分类模型的差异：它不是直接给出“有活性/无活性”的判断，而是将生物学知识、深度学习切割预测、功能富集和成药性评价逐层组合，将巨大的蛋白质序列空间压缩为少量值得实验验证的候选。

图2：以血管生成为例的Deepeptide候选发现流程，从35,936个功能IDR到6,517条候选寡肽，再筛选至15条实验候选。

在15条促血管生成候选肽中，7条在体外实验中显著增强血管生成，其中5条表现出与VEGF相当的效力。研究人员进一步选择效果最好的七肽AP7进行小鼠实验。

在皮肤全层创伤模型中，AP7处理明显加快伤口闭合，其效果与VEGF处理组接近。组织学分析显示，AP7促进重新上皮化和真皮再生，同时减少瘢痕形成。Masson染色进一步显示胶原沉积增加且排列更加有序，而血管内皮标志物CD31染色表明新生血管数量明显增加。

论文图3还显示，AP7组的瘢痕宽度、皮肤厚度、胶原体积分数和毛细血管数量整体达到与VEGF组相近的水平，同时主要器官组织学检查未发现明显异常。这说明Deepeptide筛选得到的短肽不仅在细胞实验中有效，还能够转化为体内组织修复表型。

【图3占位：AP7在小鼠创伤模型中的促血管生成和伤口修复作用，以及与VEGF的比较】

脂质代谢任务中，研究人员同样验证15条候选肽，其中9条在体外表现出与基准药物相当的抗脂肪生成或降脂作用，另有1条表现更强。效果最突出的六肽TP6随后进入高脂饮食小鼠实验。

TP6在不明显改变食物摄入量的情况下显著降低体重增加，其减重效果与对照药物接近。同时，血液中的甘油三酯、总胆固醇和低密度脂蛋白胆固醇，以及肝脏中的脂质含量均明显下降。组织染色进一步显示，TP6能够缓解高脂饮食引起的肝脏脂滴积累和脂肪细胞肥大。

机制分析显示，TP6降低Acc1、Pparg和Srebp1c等脂质合成相关基因表达，却没有明显增强脂肪氧化相关基因，提示其主要通过抑制脂质合成减少脂肪积累。此外，16S rRNA分析发现TP6还显著改变高脂饮食小鼠的肠道菌群组成，提高肠道微生物健康指数，并降低部分与肥胖正相关的菌属。由此，TP6表现出同时改善肥胖和高脂血症的双重作用。

图4：TP6改善高脂饮食小鼠体重、血脂、肝脏脂质积累、脂质代谢基因表达及肠道菌群。

为了检验框架是否能够跨疾病场景迁移，研究人员进一步将Deepeptide用于成骨、葡萄糖代谢和抗血管生成。

在成骨任务中，15条候选肽中有12条显著促进成骨分化，命中率达到80%；其中8条效果与特立帕肽相当，4条甚至超过这一基准药物。在葡萄糖代谢任务中，15条候选中有9条显著改善细胞葡萄糖代谢，其中6条与二甲双胍效果相当，2条超过二甲双胍。抗血管生成任务测试5条候选，其中3条显著抑制细胞迁移，部分候选达到或超过贝伐珠单抗对照水平。

综合血管生成、脂质代谢、成骨、葡萄糖代谢和抗血管生成五种场景，约62%的实验候选表现出显著生物活性。这一结果支持Deepeptide最核心的设计目标：无需为每一种疾病重新建立大型活性肽训练集，也能够利用通用蛋白质知识发现具有目标功能的寡肽。

图5：Deepeptide在成骨、葡萄糖代谢和抗血管生成任务中的候选寡肽实验验证及五类场景总体活性表现。

Deepeptide最重要的特点并不是单纯提出一个新的肽序列预测网络，而是改变了AI肽发现对训练数据的依赖方式。传统监督模型首先需要大量针对目标疾病的阳性和阴性肽，而Deepeptide将问题拆解为“疾病→生物过程→分子功能→功能蛋白区域→寡肽”。因此，即使缺乏大量已知治疗肽，只要疾病相关生物过程和分子功能具有相对充分的知识基础，就可以建立候选发现流程。

这种策略也把蛋白质“暗物质”引入治疗性肽发现。传统药物研究集中在少量功能明确的蛋白质和经典机制，而大量功能未知或研究不足的蛋白质几乎没有被利用。Deepeptide通过功能预测从这些序列的IDR中寻找候选肽，相当于把过去难以直接开发的蛋白质序列资源转化为潜在短肽库。研究人员认为，随着蛋白质序列数据库继续增长以及蛋白质功能预测工具不断改善，这种搜索空间还可以进一步扩展到更大的蛋白质组、古代蛋白质组和微生物组。

不过，这一方法也有清晰的适用边界。Deepeptide依赖“疾病—生物过程—分子功能”知识链，因此对于机制尚不明确、缺少可靠生物过程注释的疾病，目前难以建立有效的专用功能库。其次，基于序列富集进行功能推断天然更适合出现频率较高的短肽，因此模型主要面向4–10个氨基酸的寡肽，对较长治疗性肽的适用性有限。此外，当前深度学习模型只处理天然氨基酸序列，无法直接考虑乙酰化、PEG化以及其他化学修饰，而这些修饰往往决定治疗性肽最终的稳定性、半衰期和药代动力学性质。

实验验证同样需要谨慎解读。虽然整体62%的候选表现出生物活性，而且AP7和TP6获得了动物水平验证，但其他三个场景主要仍停留在体外细胞实验。论文中发现的序列应被视为寡肽先导候选物，而不是已经确立的治疗药物。 后续仍需要进一步明确作用靶点和分子机制，并系统评价稳定性、体内暴露、免疫原性、安全性以及药代动力学。

总体而言，Deepeptide提供了一种值得关注的AI药物发现思路：当特定疾病的药物训练数据不足时，不一定需要等待更多阳性样本积累，而可以利用已有的生物学知识建立中间层，将疾病表型与蛋白质功能连接起来，再借助蛋白质语言模型和深度学习从巨大序列空间中寻找候选分子。其核心价值因此可以概括为从“数据驱动的适应证特异性肽分类”转向“生物学知识驱动的跨适应证寡肽发现”。在五种代谢相关场景中的实验结果表明，这一思路确实具有一定的跨任务泛化能力。尤其值得注意的是，Deepeptide并没有针对血管生成、脂质代谢、成骨或葡萄糖代谢分别训练独立的“治疗肽分类器”，而是使用相同的候选提取和功能推断框架，仅通过改变上游疾病相关生物过程和分子功能来重新定义搜索空间。这使同一套AI框架能够在不同疾病背景下重复使用，也是研究人员所强调的“generalizable pipeline”的核心含义。

从候选发现效率来看，这种分层搜索也明显缩小了实验空间。以血管生成为例，模型首先从35,936个功能IDR中获得6,517条候选序列，随后经过去重、已知序列排除、成药性评价和功能富集，最终只选择15条进行实验验证，而其中7条表现出显著促血管生成活性。与直接合成和测试大量随机短肽相比，这种“功能空间限定—深度学习提取—多层优先排序—实验验证”的流程能够将实验资源集中到少量高价值候选上。

AP7和TP6两个案例进一步说明，这一框架筛选出的短肽并不只是产生轻微的体外表型。AP7能够在小鼠创伤模型中促进新生血管形成、胶原沉积和组织修复，其总体效果接近VEGF；TP6则在高脂饮食小鼠中同时表现出减轻体重增加和降低血脂的双重作用，并伴随肝脏脂质积累减少、脂质合成相关基因表达降低以及肠道菌群组成改变。也就是说，Deepeptide从蛋白质序列中挖掘出的候选片段，有可能保留足以产生复杂体内生物学效应的功能信息。

但从药物发现角度看，Deepeptide目前更准确的定位仍然是先导发现平台，而不是完整的治疗性肽设计平台。它主要解决的是“从哪里找到可能具有目标功能的短肽”和“哪些候选最值得优先实验”两个问题，并没有系统解决候选获得之后的药物优化。例如，天然短肽通常容易受到蛋白酶降解，也可能存在循环半衰期短、组织分布不理想和细胞通透性不足等问题。当前框架也没有直接设计非天然氨基酸、环化、脂化、PEG化等常见肽药优化策略。因此，从Deepeptide命中到真正药物候选之间仍然存在一个独立的优化阶段。

另一个值得关注的问题是“功能推断”并不等同于“机制确认”。Deepeptide根据候选肽在具有特定分子功能的IDR库中的富集程度推断其潜在作用，但一个短肽究竟通过哪个受体、蛋白质相互作用界面或信号通路发挥作用，仍需要实验确定。特别是TP6同时表现出脂质代谢和体重调控作用，其背后的直接分子靶点并没有仅凭当前AI筛选过程得到完整解释。因此，未来如果能够进一步结合蛋白质–肽复合物结构预测、靶点去卷积、蛋白质组学以及转录组学，可能将Deepeptide从“功能候选发现”进一步推进到“候选—靶点—机制”的完整发现链条。

这项研究还提示了一种更广泛的AI药物发现策略。当前很多深度学习方法遵循“收集大量特定任务数据—训练专用模型—预测更多同类分子”的路线。这在抗菌肽等数据丰富领域非常有效，但面对大量研究不足的疾病时会受到训练数据限制。Deepeptide采取的是另一条路径：利用已有生物学知识建立疾病与分子功能之间的桥梁，再利用基础模型和功能预测工具搜索候选序列。因此，它展示了在小样本甚至缺乏适应证特异性阳性肽数据的情况下，如何通过知识迁移重新定义AI可解决的问题。研究人员认为，随着蛋白质序列和功能注释不断积累，这一框架有望逐渐扩展到更多尚未充分开发的疾病领域。

从更长远的角度看，蛋白质“暗物质”可能成为这类方法最有价值的资源之一。传统药物发现高度集中于少数研究充分的蛋白质和信号通路，而海量功能未知蛋白及其局部序列长期没有进入药物开发视野。Deepeptide并不要求整个蛋白质的作用机制已经完全明确，而是尝试预测其中具有目标分子功能的IDR，再从这些区域中寻找短肽。这相当于把庞大的未知蛋白质序列库转化为一种潜在的“天然肽片段化学空间”。研究人员进一步提出，这种搜索未来还可以扩展到古代蛋白质组和微生物组，从而继续扩大候选来源。

总体而言，Deepeptide展示了一条从疾病适应证 → 生物过程 → 分子功能 → 功能性IDR → 深度学习寡肽提取 → 功能富集与成药性筛选 → 细胞和动物验证的完整发现路径。它最值得关注的并不是某一个具体神经网络架构，而是利用生物学层级知识绕开疾病特异性训练数据不足的问题。五种代谢相关场景中62%的实验候选表现出生物活性，AP7和TP6又进一步获得体内验证，为这一策略提供了初步的实验支持。

因此，这项工作的核心启示可以概括为：AI肽发现不必始终从已知活性肽中寻找更多相似的活性肽，也可以从疾病机制出发，在庞大的蛋白质功能空间和蛋白质“暗物质”中寻找尚未被认识的治疗性片段。 随着蛋白质基础模型、功能注释、结构预测和高通量实验技术进一步发展，这种“知识驱动＋基础模型＋功能序列挖掘”的模式有望成为传统适应证特异性监督学习之外的一条互补路线，并进一步拓展AI辅助治疗性肽发现能够覆盖的疾病范围。

Xiao et al., A deep learning framework for oligopeptide candidate discovery across metabolism-related contexts, Cell Reports Methods (2026), 

https://doi.org/10.1016/j.crmeth.2026.101577