DOI: https://doi.org/10.1371/journal.pcbi.1014098
PMID: https://pubmed.ncbi.nlm.nih.gov/41886705
تاريخ النشر: 2026-03-26
المؤلف: Binyu Li وآخرون
الموضوع الرئيسي: الببتيدات المضادة للميكروبات والأنشطة
نظرة عامة
تقدم البحث UACD-ACPs، وهو إطار حسابي جديد يهدف إلى تعزيز التنبؤ وتوليد الببتيدات المضادة للسرطان (ACPs)، وهي تسلسلات حيوية نشطة قصيرة تستهدف خلايا الورم بشكل انتقائي مع الحد الأدنى من السمية. يتناول الدراسة التحديات الكبيرة في النماذج الحسابية الحالية، وخاصة القضايا المتعلقة بتمثيل التسلسل وعدم التوازن في الفئات عبر أنواع السرطان المختلفة. من خلال دمج تمثيلات تسلسل مكملة مع بيانات فيزيائية كيميائية، يحسن UACD-ACPs موثوقية تحديد ACP، حتى في ظل ظروف البيانات غير المتوازنة. تشير النتائج التجريبية إلى أن هذا الإطار لا يتفوق فقط على الطرق الحالية في الأداء التنبؤي ولكن أيضًا يولد مرشحين للببتيدات الجديدة التي تظهر خصائص فيزيائية كيميائية مواتية واستقرار هيكلي، مما يبرز أهميتها البيولوجية المحتملة.
في الختام، يستخدم UACD-ACPs نهجًا موجهًا بالاندماج ومحسنًا بالانتشار لتصنيف وتوليد ACP متعدد الفئات بشكل قوي. يتضمن النموذج دمج ميزات متعددة المستويات، وتكييف الضوضاء المستوحاة من الانتشار، وتحسين توليد معزز بالاهتمام، مما يؤدي إلى مرشحين للببتيدات متسقة هيكليًا وقابلة للتطبيق بيولوجيًا. يقدم هذا الهيكل الموحد استراتيجية قابلة للتوسع ومبنية على أسس بيولوجية لاكتشاف العلاجات القائمة على الببتيدات. علاوة على ذلك، قد يكون النموذج المعياري للاندماج والانتشار المقدم قابلًا للتطبيق على مهام تصميم الببتيدات الوظيفية الأخرى، وهندسة البروتينات، والطب الدقيق، مما يبرز إمكانيات التعلم المتقدم للتمثيل مع التحقق المستند إلى المعلومات البيولوجية لتسريع تطوير الببتيدات العلاجية.
مقدمة
تسلط مقدمة ورقة البحث الضوء على التهديد الكبير للصحة العامة الذي يشكله السرطان، والذي يؤدي إلى ملايين الوفيات سنويًا. تم تحديد الببتيدات المضادة للسرطان (ACPs) كعوامل علاجية واعدة نظرًا لقدرتها على استهداف وقتل خلايا السرطان بشكل انتقائي مع تقليل السمية على الأنسجة السليمة. تشمل آليات عملها تعطيل الغشاء، وتحفيز الموت الخلوي، وتعديل المناعة، من بين أمور أخرى. على الرغم من إمكانياتها، تواجه ACPs تحديات في التطبيق السريري، ويرجع ذلك أساسًا إلى قضايا مثل عدم الاستقرار الإنزيمي وضعف التوافر الحيوي. تم اقتراح استراتيجيات متنوعة، بما في ذلك التعديلات الكيميائية والنهج الحسابية، لتعزيز فعاليتها.
لقد سهلت التقدمات الأخيرة في التعلم العميق ونماذج لغة البروتين استخراج المعلومات السياقية والتطورية من تسلسلات الببتيد، ومع ذلك، غالبًا ما تتجاهل الطرق الحالية دمج توليد التسلسل، والاستقرار الهيكلي، والتحقق الفيزيائي الحيوي. لمعالجة هذه الفجوات، يقترح المؤلفون إطارًا موحدًا، UACD-ACPs، الذي يجمع بين تصنيف وتوليد ACPs من خلال نهج قائم على الانتشار. يهدف هذا الإطار إلى تحسين قوة وكفاءة تصميم ACP من خلال استخدام تقنيات مثل زيادة العينة القائمة على SMOTE لعدم التوازن في الفئات ووحدات معززة بالاهتمام لتحسين تعلم التمثيل. تشير المقدمة أيضًا إلى العديد من الأدوات الحسابية التي تم تطويرها لدعم تحديد وتصميم ACP، مما يبرز الحاجة إلى أطر قوية لتسريع الترجمة السريرية لـ ACPs.
طرق البحث
تقدم الدراسة UACD-ACPs، وهو إطار موحد مصمم لتصنيف الببتيدات المضادة للسرطان (ACPs) وتوليد مرشحين للببتيدات الواعية بنوع السرطان. تستخدم عملية التصنيف تمثيلات ProtBERT وميزات فيزيائية كيميائية، والتي يتم تحسينها من خلال هيكل تلافيفي معزز متعدد المقاييس (MECS) ومشفر مشروط بالضوضاء مستوحى من الانتشار. من الجدير بالذكر أن كل من وحدات التصنيف والتوليد تعمل ضمن مساحة ميزات مشتركة، مما يسمح بالتدريب المستقل مع تسهيل تبادل المعلومات والتعلم التكميلي.
لتوليد الببتيدات، يستخدم الإطار نهج توليدي قائم على الانتشار مع إزالة الضوضاء يتضمن وحدة دمج ثنائية الزمن (BFM) ووحدة اهتمام الميزات الزمنية (TFAM). يهدف هذا التصميم إلى تعزيز التماسك الهيكلي والأهمية الوظيفية للببتيدات المولدة، والتي تتراوح من 8 إلى 50 حمض أميني في الطول. تخضع الببتيدات المولدة لمزيد من التقييم من خلال التحليل الفيزيائي الكيميائي، ونمذجة الهيكل المعتمدة على AlphaFold2، ومحاكاة الديناميات الجزيئية لتأكيد قابليتها البيولوجية. الشيفرة والبيانات لهذه الدراسة متاحة للجمهور في مستودع GitHub المقدم.
النتائج
تتناول قسم النتائج المنهجيات التجريبية ومقاييس التقييم المستخدمة لتقييم قدرات التصنيف للنموذج المقترح. تقارن الدراسة النموذج مع أحدث الطرق، باستخدام مقاييس تقليدية مثل الدقة، والاسترجاع، ودرجة F1، وAUC-ROC. تتناول بشكل خاص التحديات مثل عدم التوازن في الفئات والبيانات المحدودة من خلال تقنيات مثل زيادة العينة القائمة على SMOTE وتكييف الزمن العشوائي. بالإضافة إلى ذلك، يتم استخدام مؤشرات ذات صلة بيولوجيًا، بما في ذلك تشابه التسلسل مع الببتيدات المضادة للميكروبات المعروفة (ACPs)، والخصائص الفيزيائية الكيميائية (مثل الكارهية للماء ونقطة isolectric)، والاستقرار الهيكلي الذي يتم تقييمه عبر AlphaFold2 ومحاكاة الديناميات الجزيئية، للتحقق من التسلسلات المولدة.
تؤكد فعالية النموذج في إنتاج ببتيدات قابلة للتطبيق بيولوجيًا من خلال دراسات ربط البروتينات والتفاعل مع الأغشية، مع التركيز على كيناز HER2 وأهداف محددة للسرطان الأخرى. يتم تقييم آلية التوليد القائمة على الانتشار من حيث قدرتها على التقاط توزيعات ميزات الببتيد ذات المعنى البيولوجي، مع دمج معلومات نوع السرطان لتعزيز الفحص المستهدف للببتيدات المولدة. تشير النتائج إلى أن الببتيدات المولدة تحافظ على الاستقرار الهيكلي والأهمية الوظيفية عبر أنواع السرطان المختلفة. علاوة على ذلك، يتفوق الإطار المقترح على مولدات التسلسل العشوائية التقليدية والمصنفات التمييزية في كل من دقة تصنيف ACP وتوليد الببتيدات الوظيفية، مما يبرز فعاليته في هذا المجال.
المناقشة
تقدم البحث المقترح وحدة استخراج ميزات اندماج متعددة المقاييس تهدف إلى تعزيز دقة تصنيف الببتيدات المضادة للسرطان (ACPs). تدمج هذه الوحدة تمثيلات دلالية مدربة مسبقًا من ProtBERT، التي تشفر تسلسلات الببتيد إلى تمثيلات بُعدها 1024، مع متجه بُعده 430 من الوصف الفيزيائي الكيميائي. يسمح الجمع بين هذه الميزات بتحسين القابلية للتعميم وتمثيلات الوعي بالسياق، مما يسهل تحديد ACPs ذات الأهمية الوظيفية. تقوم وحدة MECS بمزيد من تحسين تمثيل الميزات من خلال آليات الانتباه القنوي والمكاني، مما يلتقط أنماط الببتيد المعقدة بشكل فعال مع تقليل التكرار والحفاظ على المعلومات الأساسية.
بالإضافة إلى ذلك، تقدم الدراسة نموذج تصنيف تنبؤي مدفوع بالاندماج يستخدم هياكل متبقية متعددة المقاييس ووحدة تكييف الضوضاء لمعالجة عدم التوازن في الفئات وتعزيز دقة التنبؤ. من خلال استخدام تقنية زيادة العينة للأقليات (SMOTE) واستراتيجية تكييف الزمن العشوائي، يحسن النموذج تمثيل الفئة الأقل ويعزز القابلية للتعميم. يتم تقييم أداء التصنيف بدقة باستخدام مقاييس متعددة، بما في ذلك الدقة، والاسترجاع، ودرجة F1، وAUC-ROC، مما يظهر نتائج متفوقة مقارنة بالطرق الحالية. تسهم بنية النموذج، وخاصة تفاعل الميزات متعددة المقاييس واستراتيجيات تكييف الضوضاء، بشكل كبير في قوته وفعاليته في تصنيف ACP، مما يظهر إمكانياته للتطبيقات في البحث الطبي واكتشاف الببتيدات العلاجية.
DOI: https://doi.org/10.1371/journal.pcbi.1014098
PMID: https://pubmed.ncbi.nlm.nih.gov/41886705
Publication Date: 2026-03-26
Author(s): Binyu Li et al.
Primary Topic: Antimicrobial Peptides and Activities
Overview
The research presents UACD-ACPs, a novel computational framework aimed at enhancing the prediction and generation of anticancer peptides (ACPs), which are short bioactive sequences that selectively target tumor cells with minimal toxicity. The study addresses significant challenges in existing computational models, particularly issues related to sequence representation and class imbalance across diverse cancer types. By integrating complementary sequence representations with physicochemical data, UACD-ACPs improves the reliability of ACP identification, even under conditions of imbalanced data. Experimental results indicate that this framework not only outperforms existing methods in predictive performance but also generates novel peptide candidates that exhibit favorable physicochemical properties and structural stability, underscoring their potential biological relevance.
In conclusion, UACD-ACPs employs a fusion-guided and diffusion-enhanced approach for robust multiclass ACP classification and generation. The model incorporates multilevel feature fusion, diffusion-inspired noise conditioning, and attention-enhanced generative refinement, resulting in structurally coherent and biologically plausible peptide candidates. This unified architecture offers a scalable and biologically grounded strategy for peptide-based therapeutic discovery. Furthermore, the modular fusion-diffusion paradigm introduced may be applicable to other functional peptide design tasks, protein engineering, and precision medicine, highlighting the potential of advanced representation learning combined with biologically informed validation to accelerate the development of therapeutic peptides.
Introduction
The introduction of the research paper highlights the significant public health threat posed by cancer, which results in millions of deaths annually. Anticancer peptides (ACPs) are identified as promising therapeutic agents due to their ability to selectively target and kill cancer cells while minimizing toxicity to healthy tissues. Their mechanisms of action include membrane disruption, apoptosis induction, and immune modulation, among others. Despite their potential, ACPs face challenges in clinical application, primarily due to issues such as enzymatic instability and poor bioavailability. Various strategies, including chemical modifications and computational approaches, have been proposed to enhance their efficacy.
Recent advancements in deep learning and protein language models have facilitated the extraction of contextual and evolutionary information from peptide sequences, yet existing methods often overlook the integration of sequence generation, structural stability, and biophysical validation. To address these gaps, the authors propose a unified framework, UACD-ACPs, which combines classification and generation of ACPs through a diffusion-based approach. This framework aims to improve the robustness and efficiency of ACP design by employing techniques such as SMOTE-based oversampling for class imbalance and attention-enhanced modules for better representation learning. The introduction also references several computational tools that have been developed to support ACP identification and design, underscoring the need for robust frameworks to accelerate the clinical translation of ACPs.
Methods
The study introduces UACD-ACPs, a unified framework designed for the classification of Antigenic Cancer Peptides (ACPs) and the generation of cancer-type-aware peptide candidates. The classification process utilizes ProtBERT embeddings and physicochemical features, which are refined through a multiscale enhanced convolutional structure (MECS) and a diffusion-inspired noise-conditioned encoder. Notably, both the classification and generation modules operate within a shared feature space, allowing for independent training while facilitating information exchange and complementary learning.
For peptide generation, the framework employs a denoising diffusion-based generative approach that incorporates a Bitemporal Fusion Module (BFM) and a Temporal Feature Attention Module (TFAM). This design aims to enhance the structural coherence and functional relevance of the generated peptides, which range from 8 to 50 amino acids in length. The generated peptides undergo further evaluation through physicochemical analysis, AlphaFold2-based structural modeling, and molecular dynamics simulations to confirm their biological plausibility. The code and data for this study are publicly accessible at the provided GitHub repository.
Results
The results section details the experimental methodologies and evaluation metrics employed to assess the proposed model’s classification capabilities. The study compares the model against state-of-the-art methods, utilizing traditional metrics such as accuracy, recall, F1-score, and AUC-ROC. It specifically addresses challenges like class imbalance and limited data through techniques such as SMOTE-based oversampling and stochastic time-step conditioning. Additionally, biologically relevant indicators, including sequence similarity with known antimicrobial peptides (ACPs), physicochemical properties (e.g., hydrophobicity and isoelectric point), and structural stability assessed via AlphaFold2 and molecular dynamics simulations, are used to validate the generated sequences.
The model’s efficacy in producing biologically plausible peptides is further confirmed through protein-protein docking and membrane interaction studies, focusing on HER2 kinase and other cancer-specific targets. The diffusion-based generative mechanism is evaluated for its capacity to capture biologically meaningful peptide feature distributions, with cancer-type information incorporated to enhance targeted screening of generated peptides. The findings indicate that the generated peptides maintain structural stability and functional relevance across various cancer types. Furthermore, the proposed framework outperforms traditional random sequence generators and discriminative classifiers in both ACP classification accuracy and functional peptide generation, underscoring its effectiveness in the domain.
Discussion
The proposed research introduces a multiscale fusion feature extraction module aimed at enhancing the classification accuracy of anticancer peptides (ACPs). This module integrates pretrained semantic embeddings from ProtBERT, which encodes peptide sequences into 1024-dimensional embeddings, with a 430-dimensional vector of physicochemical descriptors. The combination of these features allows for improved generalizability and context-aware representations, facilitating the identification of functionally relevant ACPs. The MECS module further refines feature representation through channel and spatial attention mechanisms, effectively capturing complex peptide patterns while reducing redundancy and preserving essential information.
Additionally, the study presents a fusion-driven predictive classification model that employs multiscale residual structures and a noise-conditioning module to address class imbalance and enhance prediction accuracy. By utilizing the Synthetic Minority Over-sampling Technique (SMOTE) and a stochastic time-conditioning strategy, the model improves minority-class representation and generalizability. The classification performance is rigorously evaluated using multiple metrics, including accuracy, recall, F1-score, and AUC-ROC, demonstrating superior results compared to existing methods. The model’s architecture, particularly its multiscale feature interaction and noise-conditioning strategies, significantly contributes to its robustness and effectiveness in ACP classification, showcasing its potential for applications in biomedical research and therapeutic peptide discovery.