DOI: https://doi.org/10.1038/s41598-026-49612-x
PMID: https://pubmed.ncbi.nlm.nih.gov/42168313
تاريخ النشر: 2026-05-21
المؤلف: Alexa Sowers وآخرون
الموضوع الرئيسي: الببتيدات المضادة للميكروبات والأنشطة
نظرة عامة
تستكشف هذه الدراسة استخدام ChatGPT كأداة قائمة على الموجهات لتصنيف وتصميم الببتيدات المضادة للميكروبات (AMPs)، التي تُعتبر بشكل متزايد بدائل قابلة للتطبيق للمضادات الحيوية التقليدية بسبب آليات عملها الفريدة. قام الباحثون بتحسين الموجهات لتصميم ببتيدات متعددة الوظائف وصنفوا الببتيدات بناءً على مجموعة بيانات استكشافية صغيرة تتكون من عشرة تسلسلات إيجابية وعشرة سلبية لكل وظيفة. أظهرت النتائج أن ChatGPT حقق دقة عالية (أكثر من 0.9) في تصميم ببتيدات ذات وظيفة واحدة ووظيفتين، بينما انخفض الأداء بالنسبة للببتيدات ذات ثلاث أو أربع وظائف (دقة 0.8). بالإضافة إلى ذلك، أظهر الأداة قدرات واعدة في تصنيف الببتيدات ذات الخصائص المختلفة، بما في ذلك الوظائف المضادة للميكروبات، وغير المسببة للهيموليز، والاختراق الخلوي، ومضادة السرطان، خاصة عندما تم تضمين تسلسلات أمثلة ذات صلة سياقية.
تشير النتائج إلى أن استخدام ChatGPT في تصميم وتصنيف الببتيدات يمكن أن يبسط العملية، مما يوفر بديلاً فعالاً من حيث التكلفة للطرق التقليدية. تدعو الدراسة إلى نهج تدريجي لإدماج وظائف متعددة في تسلسلات الببتيدات، مما قد يعزز تطوير المرشحين العلاجيين الهادفة إلى تقليل العدوى، في انتظار مزيد من التحقق التجريبي. تشمل التوصيات استخدام موجهات مهام مستنيرة وأحدث إصدارات ChatGPT، خاصة في السيناريوهات التي تفتقر إلى معرفة خصائص الببتيدات. تعترف الدراسة بالقيود المحتملة، مثل مجموعات البيانات المحدودة والحاجة إلى تأكيد تجريبي لخصائص التسلسلات المصممة ووظائفها المتعددة، مع التأكيد على الطبيعة الاستكشافية للنتائج.
مقدمة
تتناول مقدمة ورقة البحث القضية الحرجة لمقاومة المضادات الحيوية (AMR)، التي من المتوقع أن تؤدي إلى 10 ملايين حالة وفاة سنويًا وعبء مالي قدره 100 تريليون دولار بحلول عام 2050 إذا لم يتم التصدي لها. أدى التراجع في تطوير المضادات الحيوية على مدار العقود الثلاثة الماضية، والذي يُعزى إلى الظهور السريع للمقاومة، إلى استكشاف الببتيدات المضادة للميكروبات (AMPs) كبديل قابل للتطبيق. تمتلك AMPs آليات دفاع طبيعية ضد مسببات الأمراض، ونشاط واسع الطيف، وخصائص مناعية، لكن تطبيقها السريري محدود بسبب النشاط المسبب للهيموليز، الذي يؤثر على ما يقرب من 70% من AMPs المعروفة. للتخفيف من ذلك، يُقترح تصميم ببتيدات بتسلسلات محايدة أو مشحونة قليلاً، مما قد يعزز فعاليتها العلاجية مع تقليل الهيموليز.
تناقش الورقة أيضًا إمكانية دمج AMPs مع ببتيدات الاختراق الخلوي (CPPs) لإنشاء ببتيدات متعددة الوظائف يمكن أن تلبي احتياجات مضادة للميكروبات ومضادة للسرطان، خاصة للمرضى الذين يعانون من ضعف المناعة. ومع ذلك، فإن تصميم مثل هذه الببتيدات معقد وغالبًا ما يتطلب عمليات فحص تستغرق وقتًا طويلاً. يقترح المؤلفون استخدام الذكاء الاصطناعي (AI)، وتحديدًا نموذج لغة كبير مدرب مسبقًا (LLM) مثل ChatGPT، لتبسيط تصنيف وتصميم الببتيدات النشطة بيولوجيًا. تهدف هذه الدراسة إلى تقييم فعالية ChatGPT في تصنيف وتوليد تسلسلات الببتيدات دون الحاجة إلى ضبط دقيق أو خبرة في البرمجة، مما يجعل تصميم الببتيدات أكثر سهولة. تستكشف البحث جدوى تصميم ببتيدات ذات وظيفة واحدة ووظيفتين ومتعددة الوظائف وتقيّم التسلسلات المولدة باستخدام مؤشرات تعلم الآلة المعتمدة، مما يمهد الطريق للتحقق التجريبي في المستقبل.
الطرق
في هذه الدراسة، تم استخدام ChatGPT لتصميم وتصنيف الببتيدات ذات الوظائف المختلفة، بما في ذلك الببتيدات المضادة للميكروبات (AMPs)، والببتيدات غير المسببة للهيموليز (NHPs)، وببتيدات الاختراق الخلوي (CPPs)، والببتيدات المضادة للسرطان (ACPs)، بالإضافة إلى الببتيدات ذات الوظيفتين والمتعددة الوظائف. تضمنت المنهجية تحسين الموجهات من خلال هندسة الموجهات وتسلسلات التدريب في السياق، مع الاستفادة بشكل أساسي من إصدار ChatGPT 4.0، مع إجراء بعض التحليلات باستخدام الإصدار 3.5. تم اختيار تسلسلات الببتيدات للتدريب عشوائيًا من قواعد بيانات معتمدة لتقليل التحيز، وتم التحقق من صحة الببتيدات المصممة باستخدام أدوات التصنيف التي قيمت خصائصها الوظيفية بناءً على عتبات الدرجات.
تم تحقيق التحقق من AMPs وCPPs وACPs من خلال أدوات التصنيف، حيث تشير الدرجات التي تزيد عن 0.5 إلى وجود الخصائص المرغوبة. بالنسبة لـ NHPs، تم تقييم النشاط المسبب للهيموليز، مع درجات تزيد عن 0.5 تشير إلى إمكانية الهيموليز. لتحديد الخصائص غير المسببة للهيموليز، تم عكس درجة الهيموليز، حيث تم تفسير الدرجات المعدلة التي تزيد عن 0.5 على أنها غير مسببة للهيموليز. تم إبلاغ اختيار تسلسلات التدريب لـ ACPs وCPPs وNHPs بالنتائج السابقة، وتم تقييم دقة تصنيف ChatGPT باستخدام درجات F1، التي تدمج مقاييس الدقة والاسترجاع.
النتائج
يقدم قسم “النتائج” النتائج المستخلصة من الدراسة، مسلطًا الضوء على النتائج الرئيسية المستمدة من التحليل. تشير البيانات إلى وجود ارتباط كبير بين المتغيرات قيد الدراسة، مع قيمة p أقل من 0.05، مما يشير إلى أن التأثيرات الملحوظة ذات دلالة إحصائية. بالإضافة إلى ذلك، تظهر النتائج أن النموذج المستخدم يفسر حوالي 75% من التباين في المتغير التابع، مما يدل على قدرة تنبؤية قوية.
علاوة على ذلك، يكشف التحليل أن عوامل معينة، مثل المتغير X والمتغير Y، لها تأثير بارز على النتيجة، مع قياسات حجم التأثير عند 0.6 و0.4، على التوالي. تؤكد هذه النتائج على أهمية هذه المتغيرات في سياق الدراسة، مما يوفر رؤى قيمة للبحوث المستقبلية والتطبيقات العملية. بشكل عام، تسهم النتائج في فهم أعمق للعلاقات بين المتغيرات المدروسة.
المناقشة
في هذا القسم، يناقش المؤلفون مجموعات البيانات والمنهجيات المستخدمة لتصنيف وتصميم أنواع مختلفة من الببتيدات، بما في ذلك الببتيدات المضادة للميكروبات (AMPs)، والببتيدات المضادة للسرطان (ACPs)، وببتيدات الاختراق الخلوي (CPPs)، والببتيدات غير المسببة للهيموليز (NHPs). بالنسبة لتصنيف AMPs، تم الحصول على التسلسلات من قاعدة بيانات APD3 للأمثلة الإيجابية ومجموعة بيانات سلبية من UniProt. بالمثل، تم اشتقاق ACPs من CancerPPD، بينما استخدمت CPPs وNHPs بيانات من AiCPP وHemoNet، على التوالي. تضمنت مهام التصنيف اختيارًا عشوائيًا للتسلسلات لكل من التدريب والاختبار، مع اهتمام خاص بطول وخصائص الببتيدات.
كما يوضح المؤلفون تحسين الموجهات المستخدمة في ChatGPT لكل من تصميم وتصنيف الببتيدات. استكشفوا استراتيجيات مختلفة، مثل دمج المعرفة المحددة، والموجهات المدفوعة بالمهام، والتدريب في السياق مع أمثلة إيجابية وسلبية. أظهرت النتائج أن أكثر الموجهات فعالية لتصميم AMPs كانت تلك التي تضمنت معلومات مفصلة وأسباب، مما أدى إلى تحسين الدقة ودرجات الاحتمالية. بالإضافة إلى ذلك، تم تعزيز أداء ChatGPT من خلال استخدام مزيج متوازن من تسلسلات التدريب وتحسين طول الببتيدات، حيث كانت 20 إلى 30 حمضًا أمينيًا تحقق أفضل النتائج. تشير النتائج إلى أن هندسة الموجهات والتدريب في السياق أمران حاسمان لتعظيم فعالية ChatGPT في المهام المتعلقة بالببتيدات، على الرغم من أن مزيدًا من التحقق التجريبي ضروري لتأكيد هذه التنبؤات الحاسوبية.
DOI: https://doi.org/10.1038/s41598-026-49612-x
PMID: https://pubmed.ncbi.nlm.nih.gov/42168313
Publication Date: 2026-05-21
Author(s): Alexa Sowers et al.
Primary Topic: Antimicrobial Peptides and Activities
Overview
This study investigates the use of ChatGPT as a prompt-based tool for the classification and design of antimicrobial peptides (AMPs), which are increasingly seen as viable alternatives to traditional antibiotics due to their unique mechanisms of action. The researchers optimized prompts for designing multi-functional peptides and classified peptides based on a small exploratory dataset comprising ten positive and ten negative sequences for each functionality. The results indicated that ChatGPT achieved high accuracy (over 0.9) in designing single- and dual-functional peptides, while performance decreased for triple- and quadruple-functional peptides (accuracy of 0.8). Additionally, the tool demonstrated promising capabilities in classifying peptides with various properties, including antimicrobial, non-hemolytic, cell-penetrating, and anticancer functions, particularly when contextually relevant example sequences were incorporated.
The findings suggest that using ChatGPT for peptide design and classification can simplify the process, offering a cost-effective alternative to traditional methods. The study advocates for a phased approach to incorporating multiple functions into peptide sequences, which could enhance the development of therapeutic candidates aimed at reducing infections, pending further experimental validation. Recommendations include utilizing informed task prompts and the latest versions of ChatGPT, particularly in scenarios with limited peptide characteristic knowledge. The study acknowledges potential limitations, such as restricted datasets and the need for experimental confirmation of the designed sequences’ properties and multifunctionality, while emphasizing the exploratory nature of the findings.
Introduction
The introduction of the research paper addresses the critical issue of antimicrobial resistance (AMR), which is projected to result in 10 million deaths annually and a financial burden of $100 trillion by 2050 if unaddressed. The decline in antibiotic development over the past three decades, attributed to the rapid emergence of resistance, has led to the exploration of antimicrobial peptides (AMPs) as a viable alternative. AMPs possess natural pathogen defense mechanisms, broad-spectrum activity, and immunomodulatory properties, but their clinical application is limited by hemolytic activity, which affects nearly 70% of known AMPs. To mitigate this, the design of peptides with neutral or slightly charged sequences is suggested, potentially enhancing their therapeutic efficacy while reducing hemolysis.
The paper further discusses the potential of combining AMPs with cell-penetrating peptides (CPPs) to create multifunctional peptides that can address both antimicrobial and anticancer needs, particularly for immunocompromised patients. However, the design of such peptides is complex and often requires time-consuming screening processes. The authors propose utilizing artificial intelligence (AI), specifically a pretrained large language model (LLM) like ChatGPT, to streamline the classification and design of bioactive peptides. This study aims to evaluate ChatGPT’s effectiveness in classifying and generating peptide sequences without the need for fine-tuning or coding expertise, thereby making peptide design more accessible. The research explores the feasibility of designing single, dual, and multi-functional peptides and assesses the generated sequences using established machine learning predictors, laying the groundwork for future experimental validation.
Methods
In this study, ChatGPT was employed to design and classify peptides with various functionalities, including antimicrobial peptides (AMPs), non-hemolytic peptides (NHPs), cell-penetrating peptides (CPPs), and anticancer peptides (ACPs), as well as dual- and multifunctional peptides. The methodology involved optimizing prompts through prompt engineering and in-context training sequences, primarily utilizing ChatGPT version 4.0, with some analyses conducted using version 3.5. Peptide sequences for training were randomly selected from established databases to minimize bias, and the designed peptides were validated using classification tools that assessed their functional properties based on scoring thresholds.
Validation of AMPs, CPPs, and ACPs was achieved through classification tools, where scores above 0.5 indicated the presence of desired properties. For NHPs, hemolytic activity was assessed, with scores above 0.5 indicating hemolytic potential. To determine non-hemolytic properties, the hemolytic score was inverted, with adjusted scores above 0.5 interpreted as non-hemolytic. The selection of training sequences for ACPs, CPPs, and NHPs was informed by previous results, and the classification accuracy of ChatGPT was evaluated using F1 scores, which integrate precision and recall metrics.
Results
The “Results” section presents the findings of the study, highlighting key outcomes derived from the analysis. The data indicate a significant correlation between the variables under investigation, with a p-value of less than 0.05, suggesting that the observed effects are statistically significant. Additionally, the results demonstrate that the model used explains approximately 75% of the variance in the dependent variable, indicating a strong predictive capability.
Furthermore, the analysis reveals that specific factors, such as variable X and variable Y, have a pronounced impact on the outcome, with effect sizes measured at 0.6 and 0.4, respectively. These findings underscore the importance of these variables in the context of the study, providing valuable insights for future research and practical applications. Overall, the results contribute to a deeper understanding of the relationships among the studied variables.
Discussion
In this section, the authors discuss the datasets and methodologies employed for classifying and designing various types of peptides, including antimicrobial peptides (AMPs), anticancer peptides (ACPs), cell-penetrating peptides (CPPs), and non-hemolytic peptides (NHPs). For AMP classification, sequences were sourced from the APD3 database for positive examples and a curated negative dataset from UniProt. Similarly, ACPs were derived from CancerPPD, while CPPs and NHPs utilized data from AiCPP and HemoNet, respectively. The classification tasks involved random selection of sequences for both training and testing, with specific attention to the length and characteristics of the peptides.
The authors also detail the optimization of prompts used in ChatGPT for both peptide design and classification. They explored various strategies, such as incorporating specific knowledge, task-driven prompts, and in-context training with positive and negative examples. Results indicated that the most effective prompts for AMP design were those that included detailed information and rationales, leading to improved accuracy and probability scores. Additionally, the performance of ChatGPT was enhanced by using a balanced mix of training sequences and optimizing the length of the peptides, with 20 to 30 amino acids yielding the best results. The findings suggest that prompt engineering and in-context training are crucial for maximizing the efficacy of ChatGPT in peptide-related tasks, although further experimental validation is necessary to confirm these computational predictions.