1928 年青霉素的發現，為人類對抗細菌感染開啟了全新紀元。這類抗生素顯著提升了人類應對感染性疾病的能力，但隨著抗生素在醫療、農業等領域的廣泛應用乃至過度使用，細菌的耐藥性問題逐漸顯現，并以驚人的速度惡化。

進入 21 世紀，抗生素耐藥性已成為全球公共衛生領域的重大挑戰。世界衛生組織的數據顯示，每年全球約有 500 萬人直接或間接死于耐藥性感染，而這一危機的核心推手是抗生素耐藥性病原體的快速滋生與蔓延。其中，被 WHO 列為「優先病原體」的革蘭氏陰性菌尤為棘手，它們憑借極強的耐藥進化能力，在與人類的「抗菌戰役」中持續占據上風。更嚴峻的是，過去數十年間，新型抗生素的研發陷入停滯：高昂的研發成本、漫長的臨床試驗周期，讓眾多制藥企業對這一領域望而卻步，新抗生素的問世數量銳減，遠遠跟不上耐藥菌的進化速度。

在這一困境下，科學家們開始將目光投向自然界中一個充滿潛力的「寶庫」——動物毒液。歷經數百萬年的自然進化，動物毒液孕育了極其豐富的分子多樣性，其中包含的生物活性肽和蛋白質，既能與廣泛的生物靶點相互作用，更展現出顯著的抗菌活性。事實上，毒液在生物醫學領域的應用早有成功先例——從錐螺毒液中提取的齊考諾肽（商品名 Prialt?），已成為治療慢性疼痛的重要鎮痛藥；從蛇毒中研發的卡托普利，則是臨床常用的降壓藥物。這些案例為毒液在抗菌領域的探索提供了重要啟示。

在此背景下，美國賓夕法尼亞大學的研究團隊以高通量方式從全球毒液蛋白中篩選抗菌候選肽，從全球動物毒液中挖掘出 386 種結構全新的抗菌肽，其中 91.4% 的實驗驗證分子展現出強效抗菌活性，為新一代抗生素的發現提供了突破性思路。

相關研究成果以「Computational exploration of global venoms for antimicrobial discovery with Venomics artificial intelligence」為題，發表于 Nature Communications 。

研究亮點：

* 該研究構建全球毒液數據庫并生成加密肽候選庫，共計收錄 16,123 條毒液蛋白，并生成了超過 4 千萬條毒液加密肽；

* 該研究使用深度學習模型 APEX 預測每條肽對 34 種細菌的最小抑菌濃度，最終篩選出 386 條具有抗菌潛力且與已知 AMPs 序列相似度低的候選肽；

* 研究團隊從 386 條 VEPs 中合成并測試了 58 條肽，其中 91.4%（53 條）對至少一種病原菌具有顯著抑制效果。

數據庫：收集 1.6 萬種毒液蛋白質

該研究為了尋找新的抗菌候選物，從 ConoServer 、 ArachnoServer 、 ISOB 和 VenomZone 4 個數據庫中收集了毒液蛋白質序列，總共收集到了 16,123 種毒液蛋白質。其中，ConoServer 專注于芋螺肽，ArachnoServer 包含蜘蛛毒素，ISOB 是孟加拉國本土蛇類毒液數據庫，VenomZone 則是從 UniProtKB 整理而來，涵蓋了蛇、蝎子、蜘蛛、芋螺、?？屠ハx等 6 個分類群的蛋白質，在該研究中由 UniProt 代表。

這些數據集具有各自獨特的特點和作用。如下圖所示，通過對不同數據庫的物種重疊分析發現，UniProt 包含的獨特物種數量最多，達到 699 個，這表明它具有更廣泛的蛋白質多樣性。而 ConoServer 和 ArachnoServer 包含的獨特子集相對較小，ISOB 則沒有獨特物種。這種多樣性的存在使得研究人員能夠從多個角度挖掘毒液中的抗菌肽，綜合不同來源的蛋白質信息，提高發現新型抗菌肽的可能性。


四大數據庫的 Venn 圖

如下圖所示，研究人員對這些毒液蛋白質進行處理，生成了超 4 千萬個毒液加密肽（VEPs）。然后使用 APEX 深度學習模型對這些肽的抗菌活性進行預測，預測每個肽對細菌菌株的最小抑菌濃度（MIC）值，并以中位數 MIC 作為抗菌活性的衡量標準。通過進一步篩選，研究人員最終確定了 7,379 個中位數 MIC ≤ 32 μmol L?1 的 VEPs，再經過與已知抗菌肽的序列相似性過濾，得到了 386 個候選物。這些候選物在結構和功能上與已知抗菌肽不同，為后續的實驗驗證提供了有價值的目標。

APEX 模型預測：多源毒液蛋白質組數據整合與抗菌候選肽的篩選流程

APEX 模型是一款專注于抗菌肽潛力挖掘與預測的深度學習工具，其核心優勢在于具備細菌菌株特異性抗菌活性預測能力。經過系統訓練，該模型可針對 34 種不同細菌菌株，精準預測肽的最小抑菌濃度（MIC）值——這一指標是衡量抗菌劑效力的關鍵參數。

模型的訓練數據集涵蓋兩部分：內部積累的肽序列數據，以及從 DBAASP 數據庫獲取的公開抗菌肽（AMPs）信息。這種多元化的數據支撐，使 APEX 在解析肽序列與抗菌活性之間的復雜映射關系時表現突出，為后續篩選奠定了扎實的算法基礎。

在架構設計上，APEX 采用多目標任務模型框架，基于「三步走」策略，從毒液蛋白中篩選抗菌肽候選分子。首先，用滑動窗口法（sliding window method）構建肽庫，截取長度在 8 至 50 個氨基酸之間的片段；其次，利用 APEX 模型預測這些肽對不同細菌菌株的最小抑菌濃度（MIC）；最后，依據序列相似性進一步精選，獲得一組結構新穎且活性優異的毒液加密肽（VEPs）。


抗菌肽（AMPs）的挖掘框架

這種設計使其在處理海量毒液加密肽（VEPs）時，能夠精準識別出具有潛在抗菌活性的候選分子。相比傳統依賴實驗篩選的方式，APEX 大幅提升了抗菌肽的發現效率，同時降低了對資源密集型生化測定的依賴，為研究人員提供了一種更快捷、經濟的篩選路徑。

在實際應用中，使用 APEX 模型需要一定的技術準備。研究人員需要搭建一個合適的運行環境，包括安裝 Python 3.9 以及特定版本的 PyTorch 和一系列依賴庫，如 numpy 、 scipy 和 matplotlib 等。一旦環境搭建完成，將候選肽序列保存在文本文件中，通過運行指定的命令，模型能夠生成一個包含 MIC 預測結果的 CSV 文件。通過對這些預測結果的分析，研究人員可以迅速鎖定具有較高抗菌潛力的肽段，進而進行深入的實驗驗證。

VEPs 的抗菌活性驗證與作用機制解析

為驗證毒液加密肽（VEPs）的抗菌活性，研究團隊開展了一系列實驗。在抗菌活性測定中，58 種 VEPs 接受了針對多種病原菌的測試，結果如下圖所示，其中 53 種（占比 91.4%）對至少一種病原菌表現出活性。尤為值得關注的是，所有來自 ArachnoServer 數據庫的 VEPs 均展現出抗菌活性，這一結果有力印證了該類肽段強大的抗菌潛力。


毒液中活性抗菌劑的 Heatmap

不過，部分來自 UniProt 數據庫的 VEPs 效力相對有限。例如，UniprotKB-2 未表現出任何抗菌活性，UniprotKB-6 和 UniprotKB-11 僅對糞腸球菌有抑制作用。進一步分析揭示，這些低活性肽段普遍具有較低的疏水性和凈電荷——這一發現提示，疏水性與凈電荷在促進肽段與細菌膜的相互作用中扮演著關鍵角色，其水平可能直接影響 VEPs 的抗菌效能。

在二級結構研究中，通過圓二色光譜（CD）分析，團隊觀察到 VEPs 的結構變化具有顯著環境依賴性。在水溶液中，VEPs 主要以無規則結構存在；而在模擬細菌膜環境（如 SDS 膠束體系）或螺旋誘導介質（如三氟乙醇/水混合溶液）中，它們會發生明顯的構象轉變，從無序結構折疊為 α-螺旋。這種結構特征與典型抗菌肽的行為高度一致，暗示 VEPs 可能特別適應與生物膜相關的功能，這也為其抗菌機制提供了重要線索。

作用機制研究方面，團隊通過熒光測定法評估了 VEPs 對細菌外膜和細胞質膜的影響。結果如下圖所示，23 種 VEPs 能有效滲透細菌外膜，其中 Arachnoserver-18 、 ConoServer-6 和 ConoServer-7 的滲透活性尤為突出。在細胞質膜去極化實驗中，大多數測試 VEPs 的去極化效果優于對照組，但相較于部分已知肽家族則稍弱。綜合來看，VEPs 的抗菌作用主要通過誘導細胞質膜去極化實現，這一機制與多種已知抗菌肽及加密肽的作用模式相符，進一步支持了其作為新型抗菌劑的合理性。


毒液中抗菌肽的作用機制研究

學界與業界協同探索，助力新型低耐藥性抗菌藥物研發

為開發不易引發耐藥性的新型抗菌藥物，從基礎研究到產業轉化，學術界與企業界的協同探索正不斷解鎖毒液抗菌肽的應用潛力。

在學術界，各國研究團隊圍繞毒液抗菌肽的挖掘、設計與機制解析展開深入攻關。新加坡南洋理工大學慕宇光團隊針對傳統模型在蛋白相互作用預測中受限于數據量和特征維度的問題，構建了目前最大的基于結構的蛋白質相互作用數據集，并開發出 ProAffinity-GNN 深度學習框架。該模型創新性融合蛋白質語言模型與圖神經網絡，將序列信息與空間結構特征深度耦合，不僅在蛋白-蛋白親和力預測精度上超越現有方法，其強大的泛化能力更為毒液肽與細菌靶點相互作用的高效預測提供了技術范式。與此同時，對作用機制的解析為抗菌肽的優化設計提供了理論支撐。

山東大學齊魯醫學院團隊借助人工智能領域的擴散模型，模擬自然界肽段進化的「隨機擾動-定向篩選」過程，成功生成 40 種全新多肽序列，其中 25 種展現出明確的抗菌或抗真菌活性。

在企業界，以色列 Bountica 公司則聚焦食品防腐領域的痛點，將毒液來源的抗真菌肽通過微生物發酵技術規?；a。其開發的 VenomShield 系列產品，僅需百萬分之一的添加量就能抑制面包、果汁中的霉菌與酵母菌生長，保質期延長至傳統防腐劑的 2 倍以上。

中國上海高科生物工程有限公司與復旦大學合作，共建了全球 3 個相對完整的抗菌蛋白數據庫。這些數據庫不僅為研發新型生物抗菌酶、抗菌肽提供了高效工具，更通過系統化的數據挖掘加速了抗耐藥微生物新物質的研究。

由此可見，毒液抗菌肽的研究與轉化正展現出跨越基礎科學與產業應用的強大生命力。隨著深度學習模型對序列-功能關系的解析愈發精準，以及合成生物學技術對肽段穩定性與表達效率的持續優化，這類源自自然界「生存智慧」的分子，有望在未來成為對抗抗生素耐藥性的關鍵力量，為全球公共衛生安全提供新的保障。

來源: HyperAI超神經