多肽是两个以上氨基酸通过肽键组成的生物活性物质，可以通过折叠、螺旋形成更高级的蛋白质结构。多肽不仅与多个生理活动相关联，还可以自组装成纳米粒子，参与到生物检测、药物递送、组织工程中。

　　然而，多肽的序列组成过于多样，仅 10 个氨基酸就可以组成超过百亿种多肽。因此，人们很难对其自组装特性进行全面系统的研究，进而优化自组装多肽的设计。

　　为此，西湖大学的李文彬课题组利用基于 Transformer 的回归网络，对百亿种多肽的自组装特性进行了预测，并分析得到了不同位置氨基酸对自组装特性的影响，为自组装多肽的研究提供了强力的新工具。

　　多肽是两个以上氨基酸通过肽键组成的生物活性物质。多肽合成便利、可生物降解、生物相容性强，且具有丰富的化学多样性，可以组成具有荧光、半导体导电性或是磁性的纳米物质。正因为此，多肽得到了科研界的广泛关注。

　　然而，也正是因为多肽的多样性，人们暂缺乏预测其自组装倾向 (AP, Aggregation Propensity) 的方法，很难将其转变为有序结构。目前只有极少的多肽能够自组装，形成满足需求的超分子结构，并投入到工业应用中。

　　过去数十年间，自组装多肽主要是通过生物实验发现的。然而，实验往往需要很长的周期，而且存在一定的倾向性，不利于对大量多肽进行全面的系统研究。

　　近年来，计算筛选 (Computational Screening) 被广泛用于自组装多肽的设计中。2015 年，Frederix 等人利用粗粒度分子动力学 (CGMD) 分析了三肽的 AP。然而，随着氨基酸数量的增加，多肽序列数量会指数级增长，使 CGMD 的成本大幅增加。

　　因此，有研究者结合 AI 和 CGMD ，以降低传统方法的分析成本。然而，AI-CGMD 需要大量的训练数据。据推测，十肽 (decapeptide) 的序列超过百亿种，需要 320 万个多肽序列数据。基于上述原因，目前尚无对 5 个以上氨基酸组成多肽 (pentapeptide) 的 AP 预测。

　　为解决这些问题，西湖大学的李文彬课题组利用基于 Transformer 的回归网络 (TRN)，结合 CGMD，对百亿种多肽的自组装特性进行了预测，得到了五肽和十肽的 AP，并得到了不同位置的氨基酸对多肽 AP 的影响。这一成果已发表于「Advanced Science」。

　　首先，利用拉丁超立方采样筛选出 8,000 个多肽序列。筛选出的多肽序列通过 CGMD 模型分析得到其 AP。

　　输入嵌入层用于将多肽的组成单元（即氨基酸）映射到 512 维的连续空间中，位置编码器会输出氨基酸的位置信息。编码块包括自注意网络和前馈神经网络。

　　Transformer 编码器最终输出一个隐藏层表示的多肽序列。这一序列经过 MLP 降维 5 次后，被压缩为一维向量。MLP 的最后一层会输出多肽的 AP。

　　研究人员对比了 TRN 模型和其他非深度学习模型（支持向量机 SVM、随机森林 RF、临近算法 NN、贝叶斯回归 BR 和线性回归 LR）的 AP 预测表现。

　　随着训练数据的增加，TRN 模型的表现随着增加。当训练数据达到 54,000 时，TRN 模型的平均绝对误差 (MAE) 为 0.05，R2 为 0.92。

　　上述结果说明，相比非深度学习模型，TRN 模型可以用较少的训练数据达到较高的预测率。同时，随着训练数据的增加，TRN 模型的表现随之提升。

　　当 AP 自低向高增长时，log P 的中位数随之降低，说明亲水性强的多肽聚集能力较差。然而，log P 位于 0.25-0.75 之间的多肽 AP 跨度很大，分布在 0-1 之间，说明二者的联系并不密切，还有其他因素会影响多肽的 AP。

　　为找出 AP 和 log P 对多肽自组装的影响，研究人员利用 log P 对 AP 进行了修正，得到了 APHC。修正后的 APHC 能够分辨出多肽自组装和沉淀，筛选出可以形成水凝胶的多肽。

　　在分析了五肽中不同位置的 20 种氨基酸对 APHC 的影响后，研究人员总结得到了不同氨基酸及其分布对多肽自组装特性的影响，并将其分成了 5 组。

　　第一组氨基酸包括苯丙氨酸 (F)、酪氨酸 (Y) 和色氨酸 (W)。这组氨基酸中存在 π-π 堆叠且疏水性强，对多肽自组装贡献最大。其中 W 的疏水性最强，对 APHC 的影响最大，这与 的观察结果一致。

　　F、Y、W 在 3-5 号位，尤其是 3 号位时，对多肽自组装贡献最强。可能是因为在 3 号位上，氨基酸的自由度较高，更易通过 π-π 作用驱动多肽自组装。

　　然而，这些芳香类氨基酸在 5 号位时，是强质子接受体，会与其他多肽相互作用，拉大苯环的距离，削弱分子内的 π-π 作用。

　　第二组氨基酸包括异亮氨酸 (I)、亮氨酸 (L)、缬氨酸 (V) 和半胱氨酸 (C)。由于这些氨基酸的侧链和水之间相互排除，疏水性强，对多肽自组装贡献较强。这组氨基酸常分布在多肽的两端，尤其是自组装多肽的 N 端。

　　第三组氨基酸包括组氨酸 (H)、丝氨酸 (S) 和苏氨酸 (T)。这组氨基酸有极化侧链，可以通过氢键提升多肽的自组装能力。然而，氢键的作用相比于 π-π 堆叠较弱，因此在高 APHC 的多肽中，第三组氨基酸含量较少。

　　T 和 S 倾向于占据多肽的两端，尤其是 N 端，这有利于氢键的形成。而 H 会远离多肽的两端。

　　第四组氨基酸包括蛋氨酸 (M) 和脯氨酸 (P)。M 和 P 在不同 APHC 的多肽中分布基本一致，仅对多肽的特定指标有微弱的影响。

　　第五组氨基酸不利于多肽的自组装，包括带负电的天冬氨酸 (D) 和谷氨酸 (E)、带正电的赖氨酸 (K) 和精氨酸 (R)、强极性的天冬酰胺 (N) 和谷氨酰胺 (Q)、无侧链的丙氨酸 (A) 和甘氨酸 (G)。

　　然而，C 端的 D 和 E、N 端的 R 和 K 可以形成带双电荷的头基，通过异性电荷相互吸引、形成盐桥促进多肽的自组装。N 和 Q 由于极性太强，会促进多肽的溶解。而 A 和 G 缺乏明显的相互作用，不利于多肽自组装。

　　为确认 TRN 模型的预测结果，研究人员用 CGMD 对五种多肽的自组装特性进行了验证。CGMD 的计算结果与 TRN 模型的预测结果基本一致。

　　上述结果说明，TRN 模型可以准确预测五肽、十肽和混合五肽的自组装特性，为自组装多肽的研究提供了强力的新工具。

　　虽然人们对多肽的自组装特性研究还不够深入，但自组装多肽已经广泛用于组织工程、药物递送和生物传感当中。此外，细胞的收缩和舒张、内吞囊泡的移动、细菌和病毒的跨膜传输都离不开多肽的自组装，阿尔兹海默症、帕金森氏病和II型糖尿病等疾病也与蛋白质的错误折叠有关。

　　随着 AI 的发展，科研人员对于大批量数据的处理能力不断增强。生物研究从传统的实验研究，走向计算研究，再走向 AI 研究的同时，研究的规模也从以往的几十上百种可能，逐渐迈向了百亿种。在 AI 的帮助下，人类正在推进生物研究的边界，相信未来人们能对生物有更精细更全面的研究，让 AI + 生物普惠大众。