Как создать идеальный лечебный пептид: три свойства сразу экспресс
Инженер настраивает антенну: тянет один сегмент — частота уходит, меняет угол — падает усиление. Примерно так же устроена разработка лечебных пептидов (коротких белковых цепочек). Растворимость, способность не разрушать красные кровяные тельца и устойчивость к налипанию белкового мусора — эти три свойства переплетены, и попытка улучшить одно часто ломает другие.
Новая система Pepti-Agent действует иначе. Вместо монолитного скрипта, где всё смешано, она собрана из трёх независимых инструментов, как набор отвёрток в ящике. Один инструмент — PeptideGPT — генерирует варианты пептидов. Другой — на основе модели ProtBERT — оценивает три ключевых свойства. Третий — оператор мутаций — вносит точечные замены аминокислот. Дирижирует этим оркестром контроллер на базе языковой модели: он вызывает инструменты по очереди и сверяется с реальными числами свойств после каждого шага.
Такой подход даёт прозрачную «историю болезни» каждого кандидата: какие решения принимал контроллер, что предсказывали модели и какие мутации были приняты. Это не только помогает выбрать лучшие варианты для лабораторных тестов, но и позволяет сравнивать разные стратегии дизайна. По сути, Pepti-Agent превращает слепой поиск в осмысленную инженерную работу, где каждая правка подтверждена цифрами.
Оригинальная аннотация
как её написали авторы, на английском 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.
Слово «пептид» происходит от греческого «пептос» — варёный, переваренный. Первые пептиды действительно получили, расщепляя белки в пробирке, но сегодня их собирают как конструктор из аминокислот.