综述：深度学习在抗病毒肽及拟肽发现中的应用：数据库与预测工具

《Molecular Diversity》：Deep learning in the discovery of antiviral peptides and peptidomimetics: databases and prediction tools

这篇综述聚焦于抗病毒肽（AVPs）研究。阐述了 AVPs 作为新型治疗手段的优势，分析了相关数据库（如 DRAVP、AVPdb、DBAASP）的发展与局限，探讨了机器学习预测工具的进展与挑战，为推动 AVPs 临床应用提供了思路。

　　

抗病毒肽（AVPs）：极具潜力的新型抗病毒疗法

抗病毒肽（Antiviral Peptides，AVPs）作为一种新型的治疗选择，正逐渐受到科学界的广泛关注。与传统抗病毒治疗相比，AVPs 具有广谱活性、高特异性和低毒性等显著优势 。在过去的几十年间，随着新的人畜共患病毒不断涌现，如寨卡病毒（Zika virus）、埃博拉病毒（Ebola virus）以及严重急性呼吸综合征冠状病毒 2（SARS-CoV-2），全球公共卫生面临着巨大挑战。这些病毒的爆发促使科研人员加快了对抗病毒药物的研究步伐，而 AVPs 凭借其独特的特性，成为了研究的热点。

AVPs 的抗病毒机制主要与其理化性质密切相关。例如，疏水性（hydrophobicity）和两亲性 α - 螺旋结构（amphipathic α-helical structure）在其抗病毒过程中发挥着关键作用。疏水性使得 AVPs 能够与病毒的脂质膜相互作用，而两亲性 α - 螺旋结构则有助于破坏病毒膜的完整性，进而阻止病毒的入侵和感染。此外，这种特殊结构还能促使 AVPs 与病毒的特定靶点发生特异性结合，从而干扰病毒的生命周期。

机器学习助力 AVPs 数据库发展

在 AVPs 研究中，机器学习（Machine Learning）技术的应用极大地推动了相关数据库的发展。目前，已经有多个专门用于存储和分析 AVPs 信息的数据库，其中比较知名的包括 DRAVP、AVPdb 和 DBAASP 等。

DRAVP 数据库整合了大量的 AVPs 序列及其相关的生物活性数据。研究人员可以通过该数据库快速查询不同来源的 AVPs 信息，了解其氨基酸序列、抗病毒活性以及作用机制等。AVPdb 则侧重于收集和整理具有潜在应用价值的 AVPs，为科研人员筛选新型抗病毒肽提供了丰富的资源。DBAASP 不仅包含了 AVPs 的序列和活性数据，还提供了蛋白质结构和功能的相关信息，有助于深入理解 AVPs 的作用机制。

然而，这些数据库在发展过程中也面临着一些挑战。首先，数据集中的数据量相对较小，这限制了机器学习模型的训练效果和预测准确性。其次，数据库中的注释信息往往不够完整，部分 AVPs 的功能和作用机制尚未得到充分的研究和注释。此外，与多组学数据（multi - omics data）的整合不足，无法从更全面的角度揭示 AVPs 的作用机制和潜在应用。

机器学习预测工具：AVPs 发现的新动力

机器学习和深度学习（Deep Learning）技术的发展为 AVPs 的发现提供了强大的预测工具。通过对大量 AVPs 数据的学习和分析，这些预测工具能够快速筛选出具有潜在抗病毒活性的肽段，大大缩短了新药研发的周期。

在预测过程中，机器学习算法会根据 AVPs 的理化性质、氨基酸序列特征以及与病毒靶点的相互作用模式等信息，建立预测模型。例如，支持向量机（Support Vector Machine，SVM）、随机森林（Random Forest）等算法被广泛应用于 AVPs 的预测研究中。深度学习模型如卷积神经网络（Convolutional Neural Network，CNN）和循环神经网络（Recurrent Neural Network，RNN）则能够自动提取数据中的复杂特征，进一步提高预测的准确性。

尽管这些预测工具在 AVPs 发现方面取得了显著进展，但仍然存在一些问题。一方面，模型容易出现过拟合（overfitting）现象，导致在实际应用中的泛化能力较差。另一方面，由于缺乏足够的实验验证，许多预测结果的可靠性有待进一步提高。此外，目前的预测工具大多缺乏对 AVPs 作用机制的深入理解，难以解释预测结果的生物学意义，这也在一定程度上阻碍了 AVPs 的临床转化。

未来展望：推动 AVPs 走向临床应用

为了将 AVPs 转化为有效的临床治疗手段，未来的研究需要重点解决以下几个问题。首先，建立更加完善的验证框架，通过大量的实验数据对预测结果进行验证和优化，提高预测工具的可靠性和准确性。其次，加强体内数据（in vivo data）的整合，研究 AVPs 在真实生物环境中的作用机制和疗效，为临床应用提供更可靠的依据。

此外，开发可解释的模型对于深入理解 AVPs 的作用机制至关重要。通过这些模型，科研人员可以揭示 AVPs 与病毒靶点之间的相互作用方式，以及 AVPs 在细胞内的信号传导通路，为药物设计提供更精准的指导。同时，拓展预测模型以考虑多靶点相互作用（multi - target interactions），并将复杂的生物环境纳入模型中，将有助于提高 AVPs 的临床疗效。

在未来的研究中，多学科交叉合作将成为推动 AVPs 发展的关键。生物学家、化学家、计算机科学家和临床医生需要共同努力，整合各自的专业知识和技术优势，加速 AVPs 的研发和临床应用进程。相信在不久的将来，AVPs 将成为抗击病毒感染的有力武器，为全球公共卫生事业做出重要贡献。