論文の概要: Agentic Discovery of Non-Canonical Antimicrobial Peptides with AMPGAN v3

• arxiv url: http://arxiv.org/abs/2606.17127v1
• Date: Mon, 15 Jun 2026 16:39:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-17 17:15:32.078638
• Title: Agentic Discovery of Non-Canonical Antimicrobial Peptides with AMPGAN v3
• Title（参考訳）: AMPGAN v3による非カノン系抗菌ペプチドの創製
• Authors: Jay Jung, Xiaohan Zhang, Shenghan Song, Mahmoud Sayedahmed, Chijian Xiang, Yunong Xu, Ahmed AbdelKhalek, Severin T. Schneebeli, Matthew J. Wargo, Jianing Li, Safwan Wshah,
• Abstract要約: AMPGAN v3は, 生成語彙をD-アミノ酸に拡張し, N/C-末端修飾を行う条件付きGANである。 AMPGAN v3は2つの特殊識別器にまたがって敵対的および活動意識の監督を分離することにより、トレーニング安定性を著しく向上させる。 また、PepCraftは、エンドツーエンドAMP発見のためのマルチエージェントフレームワークである。
• 参考スコア（独自算出の注目度）: 11.081119264724094
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: 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
• Abstract（参考訳）: 抗菌抵抗性は毎年100万人以上の死者を出している。 抗微生物ペプチド(AMP)は有望な解決策であるが、生成型AMPモデルはまだ非天然アミノ酸および/または化学修飾を持つペプチドを設計する準備ができていない。 我々は,多目的条件付きGANであるAMPGAN v3を,生成語彙をD-アミノ酸に拡張し,アミド化などのN/C末端修飾を行う。 AMPGAN v3は2つの特殊識別器をまたいだ対向的および活動意識的な監視を分離することにより、トレーニング安定性を大幅に改善し、外部分類器上での事前生成AMPモデルよりも優れる。 In vitroでは3つの構造クラスにまたがる5つの候補を検証した。2つはグラム陽性株に対する活性を示し、最も優れた候補はB. subtilisに対するMIC 8 μg/mLである。 下流のキュレーションをサポートするために、PepCraftは、プランニングエージェントが生成、フィルタリング、検証のために特別な実行子を編成する、エンドツーエンドAMP発見のためのマルチエージェントフレームワークである。 その優先順位付け勧告は、我々のin vitro結果と一致します。 これらの貢献により,治療ペプチド発見における生成的AIとエージェント的AIをどのように構成するかを,小規模ながら現実的に調べることができた。 コード:https://github.com/marszzibros/AMPGANv3

関連論文リスト

• ProDCARL: Reinforcement Learning-Aligned Diffusion Models for De Novo Antimicrobial Peptide Design [0.5361389213879222]
  抗微生物抵抗性は医療の持続性を脅かし、抗微生物ペプチド(AMP)の低コストな計算発見を動機付ける 本稿では,AMP活性およびペプチド毒性を示す配列特性予測器と拡散型タンパク質生成器を結合した強化学習フレームワークであるProDCARLを紹介する。 サイリコ実験では、ProDCARLは微調整後の平均AMPスコアを0.081から0.178に上昇させる。
  論文  参考訳（メタデータ） (2026-01-29T19:16:39Z)
• A deep reinforcement learning platform for antibiotic discovery [101.30486136547285]
  抗微生物抵抗性(AMR)は2050年までに最大1000万人が死亡すると予想されている。 本稿では,抗生物質のde novo設計のためのディープラーニングフレームワークであるApexAmphionを紹介する。
  論文  参考訳（メタデータ） (2025-09-16T18:21:42Z)
• Artificial intelligence-driven antimicrobial peptide discovery [0.0]
  抗微生物ペプチド(AMP)は、抗微生物抵抗性に対する有望な薬剤として出現する。 AMPは従来の抗生物質の代替となる。 人工知能(AI)は、差別と生成の両方のアプローチを通じてAMP発見に革命をもたらした。
  論文  参考訳（メタデータ） (2023-08-21T14:02:14Z)
• xTrimoABFold: De novo Antibody Structure Prediction without MSA [77.47606749555686]
  我々は、抗体配列から抗体構造を予測するために、xTrimoABFoldという新しいモデルを開発した。 CDRにおけるドメイン特異的焦点損失のアンサンブル損失とフレーム整合点損失を最小化することにより,PDBの抗体構造をエンドツーエンドにトレーニングした。
  論文  参考訳（メタデータ） (2022-11-30T09:26:08Z)
• Accelerating Antimicrobial Peptide Discovery with Latent Structure [33.288514128470425]
  我々は、AMP(LSSAMP)を設計するための潜在シーケンス構造モデルを提案する。 LSSAMPは二次構造を表現するために潜在空間における多スケールベクトル量子化を利用する。 実験の結果,LSSAMPにより産生されるペプチドは抗菌活性が高い可能性が示唆された。
  論文  参考訳（メタデータ） (2022-11-28T06:43:32Z)
• Graph-Based Active Machine Learning Method for Diverse and Novel Antimicrobial Peptides Generation and Selection [57.131117785001194]
  新しいAMP候補の大規模スクリーニングは高価で、時間もかかり、発展途上国では手頃な価格となっている。 本稿では,新しいAMPの設計に必要なウェットラブ実験の数を統計的に最小化する,アクティブ機械学習ベースのフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-09-18T14:30:48Z)
• Accelerating Inhibitor Discovery for Multiple SARS-CoV-2 Targets with a Single, Sequence-Guided Deep Generative Framework [47.14853881703749]
  我々は、新規な薬物様阻害剤分子の発見に向けた、単一の深層生成機構の広範な有用性を実証する。 このフレームワークは、ターゲット認識設計を行うために、生成モデルから新規分子をターゲットシーケンス条件でサンプリングする。 最も強力なスパイクRBD阻害剤は、SARS-CoV-2変異株に対して幅広いスペクトル活性を有する稀な非共有結合型抗ウイルス剤として出現した。
  論文  参考訳（メタデータ） (2022-04-19T17:59:46Z)
• HMD-AMP: Protein Language-Powered Hierarchical Multi-label Deep Forest for Annotating Antimicrobial Peptides [5.61222966894307]
  各種AMPデータベースからアミノ酸を収集, 洗浄することにより, 多様な多ラベルタンパク質配列データベースを構築した。 我々は、AMPを包括的にアノテートするために、エンドツーエンドの階層型多ラベル深い森林フレームワーク、HMD-AMPを開発した。 AMPを特定した後、AMPが効果的に11の利用可能なクラスから殺すことができるターゲットを予測します。
  論文  参考訳（メタデータ） (2021-11-11T02:10:07Z)
• Accelerating Antimicrobial Discovery with Controllable Deep Generative Models and Molecular Dynamics [109.70543391923344]
  CLaSS(Controlled Latent attribute Space Smpling)は、分子の属性制御のための効率的な計算手法である。 深層学習分類器と原子論シミュレーションから得られた新しい特徴を併用して, 生成分子を付加的なキー属性としてスクリーニングする。 提案手法は, 強い広帯域能を有する非毒性抗菌性ペプチド(AMP)を設計するためのものである。
  論文  参考訳（メタデータ） (2020-05-22T15:57:58Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。