كيف تصنع ببتيدًا علاجيًا مثاليًا: ثلاث خصائص في آن واحد سريع
مهندس يضبط هوائيًا: يشدّ جزءًا — يتردد التردد، يغيّر الزاوية — ينخفض الكسب. هكذا تقريبًا يُدار تطوير الببتيدات العلاجية (سلاسل بروتينية قصيرة). الذوبانية، والقدرة على عدم تدمير كريات الدم الحمراء، ومقاومة التصاق الفضلات البروتينية — هذه الخصائص الثلاث متشابكة، ومحاولة تحسين واحدة غالبًا ما تكسر الأخرى.
النظام الجديد Pepti-Agent يعمل بشكل مختلف. بدلًا من سكربت متجانس حيث كل شيء مختلط، فهو مكوّن من ثلاث أدوات مستقلة، مثل مجموعة مفكات في صندوق. أداة واحدة — PeptideGPT — تولّد متغيرات الببتيدات. وأخرى — مبنية على نموذج ProtBERT — تقيّم الخصائص الثلاث الرئيسية. والثالثة — عامل الطفرات — تُدخل استبدالات نقطية للأحماض الأمينية. ويقود هذه الأوركسترا وحدة تحكم مبنية على نموذج لغوي: تستدعي الأدوات بالتتابع وتتحقق من الأرقام الفعلية للخصائص بعد كل خطوة.
هذا النهج يعطي "تاريخًا مرضيًا" شفافًا لكل مرشح: ما القرارات التي اتخذتها وحدة التحكم، وماذا توقعت النماذج، وأي الطفرات قُبلت. هذا لا يساعد فقط في اختيار أفضل الخيارات للاختبارات المعملية، بل يسمح أيضًا بمقارنة استراتيجيات التصميم المختلفة. في جوهره، يحوّل Pepti-Agent البحث الأعمى إلى عمل هندسي ذي معنى، حيث كل تعديل مؤكد بالأرقام.
الملخص الأصلي
كما كتبه المؤلفون، بالإنجليزية arXiv:2606.15422
Therapeutic peptides occupy a valuable design space between small molecules and biologics, but their development requires satisfying several competing constraints at once: solubility, hemolytic activity, and nonspecific surface fouling are governed by overlapping sequence features, so improving one property often degrades another. Computational design addresses this by pairing generative models with sequence-based property predictors, iteratively proposing and refining candidates. However, these components are typically wired together as monolithic scripts that are difficult to inspect, extend, or reuse, and they often refine sequences by natural-language reasoning rather than by tracking the evolving multi-property state of each candidate. We present Pepti-Agent, a closed-loop, peptide-specific framework that exposes generation, property prediction, and single-residue mutation as independently inspectable Model Context Protocol (MCP) tools. A large language model controller invokes these tools and consults live predictor output between calls, so refinement is guided by each sequence's current property profile rather than by language reasoning alone. Task-specific PeptideGPT models generate candidates, ProtBERT-based classifiers score solubility, hemolysis, and non-fouling, and two interchangeable mutation operators propose sequence edits. By recording a per-step trace of controller decisions, predictor outputs, and accepted mutations, Pepti-Agent offers a reproducible substrate for benchmarking multi-objective design strategies and for prioritizing candidates for experimental validation.
كلمة "ببتيد" تأتي من اليونانية "peptos" — مطبوخ، مهضوم. أول الببتيدات حصلوا عليها فعلًا بتفكيك البروتينات في أنبوب اختبار، لكن اليوم يجمعونها مثل لعبة تركيب من الأحماض الأمينية.