切换至 "中华医学电子期刊资源库"
高级检索
中华口腔医学研究杂志(电子版)

中华口腔医学研究杂志(电子版) ›› 2026, Vol. 20 ›› Issue (04) : 279 -293. doi: 10.3877/cma.j.issn.1674-1366.2026.04.005

生物材料专栏·专家笔谈

基于人工智能的新型抗菌肽的筛选、设计和优化
王晓宇, 雒家玉, 于晓琳†()   
  1. 中山大学附属口腔医院，光华口腔医学院，广东省口腔医学重点实验室，广东省口腔疾病临床医学研究中心，广州　510055
  • 收稿日期:2026-05-06 出版日期:2026-08-01
  • 通信作者: 于晓琳

Screening, design, and optimization of novel antimicrobial peptides based on artificial intelligence

Xiaoyu Wang, Jiayu Luo, Xiaolin Yu†()   

  1. Hospital of Stomatology, Guanghua School of Stomatology, Sun Yat-sen University, Guangdong Provincial Key Laboratory of Stomatology, Guangdong Provincial Clinical Research Center of Oral Diseases, Guangzhou 510055, China
  • Received:2026-05-06 Published:2026-08-01
  • Corresponding author: Xiaolin Yu
  • Supported by:
    National Natural Science Foundation of China(U22A20316, 81801012); Undergraduate Innovation and Entrepreneurship Training Program of Sun Yat-sen University(20260616)
全文 ( ) 下载PDF ( ) 导出引用
引用本文：

王晓宇, 雒家玉, 于晓琳. 基于人工智能的新型抗菌肽的筛选、设计和优化[J/OL]. 中华口腔医学研究杂志(电子版), 2026, 20(04): 279-293.

Xiaoyu Wang, Jiayu Luo, Xiaolin Yu. Screening, design, and optimization of novel antimicrobial peptides based on artificial intelligence[J/OL]. Chinese Journal of Stomatological Research(Electronic Edition), 2026, 20(04): 279-293.

抗菌肽（AMP）凭借广谱抗菌、低耐药诱导等优势，已成为新型抗菌制剂的研究热点。传统AMP的设计依赖天然产物分离提取和有限的序列修饰，导致新型AMP挖掘范围较窄，人工筛选效率低。随着人工智能（AI）技术的快速发展，AI已在AMP虚拟筛选、抑菌活性预评估、AMP的从头生成及序列定向优化领域取得突破，可大幅缩短传统肽分子筛选周期、降低实验室合成与验证成本。本文通过梳理主要AMP数据库的特征和相关AI算法的技术原理，阐明AI在AMP筛选、设计和优化中的应用策略，并分析当前研究中存在的数据集标准化不足、体内验证体系不完善及学科交叉衔接薄弱等问题，为新型AMP的研发和临床应用提供参考。

关键词: 人工智能, 抗菌肽, 机器学习, 深度学习

Antimicrobial peptides (AMPs) have become a major focus in the development of novel antimicrobial agents due to their broad-spectrum antimicrobial properties and extremely low risk of inducing resistance. Traditional AMP design strategies have relied primarily on the isolation and extraction of natural products, along with limited sequence modifications, which has greatly restricted the discovery of new candidate molecules and led to inefficient in vitro screening processes. With rapid advancements in artificial intelligence (AI), significant breakthroughs have been achieved in the virtual screening of AMPs, preliminary prediction of antibacterial activity, de novo design of peptide sequences, and targeted optimization of peptide structures and functions, thereby significantly shortening research timelines and reducing overall development costs. This article systematically reviews the core features of mainstream antimicrobial peptide databases and the fundamental mechanisms of commonly used AI algorithms, and further elaborates on feasible strategies for applying AI to antimicrobial peptide screening, design, and structural optimization. At the same time, it identifies key bottlenecks in current research, such as the lack of standardized datasets, immature in vivo evaluation systems, and insufficient interdisciplinary collaboration. This review provides valuable insights and theoretical support for the subsequent research, translational development, and clinical application of next-generation antimicrobial peptides.

Key words: Artificial intelligence, Antimicrobial peptides, Machine learning, Deep learning
图1 基于人工智能（AI）的抗菌肽（AMP）筛选、设计和优化技术流程图
表1 常用抗菌肽（AMP）数据库
数据库 简称 作用 数据量 数据库链接
Database of Antimicrobial Peptides[8] dbAMP3.0 整合AMP数据库和文献的综合型数据库 33 065 https://ycclab.cuhk.edu.cn/dbAMP/
Data Repository of Antimicrobial Peptides[9] DRAMP4.0 综合AMP数据库，包含专利AMP 30 260 https://dramp.cpu-bioinfor.org/
Collection of Anti-Microbial Peptides[10] CAMPR4 综合AMP数据库，包含专利和预测的AMP 24 243 https://camp.bicnirrh.res.in/
Linking Antimicrobial Peptides[11] LAMP2.0 综合AMP数据库 23 253 http://biotechlab.fudan.edu.cn/database/lamp/
Antimicrobial Peptide Database[12] APD6 专注于天然AMP的数据库 5 188 https://aps.unmc.edu/AP/
Database of Antimicrobial Activity and Structure of Peptides[13] DBAASPv3 专注于AMP结构和活性数据 25 069 https://www.dbaasp.org/home/
Structured Annotated Therapeutic Peptides Database[14] SATPdb 整合治疗性肽的综合数据库 19 192 http://crdd.osdd.net/raghava/satpdb/
Yet Another Database of YADAMP 专注于AMP的综合数据库，详细 2 133 http://yadamp.unisa.it/
Antimicrobial Peptides[15]   标注了收录AMP的抗菌活性    
Dragon Antimicrobial Peptide Database[16] DAMPD 基于UniProt蛋白数据库手工整理的AMP数据库（10.1093/nar/gkr1063） 1 232 http://apps.sanbi.ac.za/dampd/
表2 常用传统机器学习（ML）算法
算法名称 特点
SVM 在特征空间寻找最优超平面，最大化类别间隔，是AMP预测最广泛应用的算法
RF 集成多棵决策树投票分类，有效避免过拟合，可评估特征重要性
kNN 基于相似度度量对新样本分类，适用于小样本AMP识别
QDA 通过高维多样性测度提取序列信息，适用于多种生物活性的AMP分类
XGBoost 通过迭代添加决策树以降低预测误差，具备优异的计算效率与并行处理能力，分类性能表现突出
表3 常用深度学习（DL）算法
算法名称 类型 特点
CNN 判别式深度学习模型 捕捉二肽、三肽等局部序列特征，用于AMP分类预测
RNN及LSTM 判别式深度学习模型 可处理序列的顺序依赖关系，捕获上下文信息，适用于长序列AMP的特征提取
ATT 判别式深度学习模型 提升深度学习模型性能的关键组件
Transformer架构 判别式深度学习模型 以ATT机制为核心，可直接建模远距离残基间的依赖关系，适用于具有非连续保守序列特征的AMP
PLM 判别式深度学习模型 以Transformer为基础，通过自监督预训练提取高阶特征，从而提升AMP的识别性能
AR 深度生成模型 能有效拟合序列依赖关系，结构简单且易于实现，但在生成长肽时易出现序列冗余、结构不合理的问题
VAE 深度生成模型 训练过程稳定，隐空间具备可控性，支持无约束生成，但生成的序列新颖性相对有限
GAN 深度生成模型 生成的序列新颖性高、多样性丰富，但训练过程不稳定，存在较高的模式崩溃风险
Transformer解码器 深度生成模型 可挖掘全局序列关联，生成结构合理、活性潜力高的AMP，但对算力需求较高
DM 深度生成模型 数据拟合能力强，序列完整性优异，但离散序列适配性尚不成熟，目前仍处于探索阶段
表4 基于人工智能（AI）的抗菌肽（AMP）筛选研究成果汇总
文献 主要算法框架 生物学序列类型 生物学序列来源 湿实验验证
Gawde等[10] SVM+RF+ANN / / 未进行湿实验验证
Wang等[25] CNN+ATT+LSTM+Transformer 基因组 人类口腔微生物组 体外抗菌实验，生物相容性检测，抗菌机制探索，小鼠大腿感染模型
Lee等[30] NLP+BERT / / 未进行湿实验验证
Hao等[33] GAT+PLM / / 未进行湿实验验证
Santos-Júnior等[40] RF 宏基因组和基因组 全球微生物 体外抗菌实验，生物相容性检测，抗菌机制探索，小鼠皮肤感染模型
Ma等[41] ATT+LSTM+BERT 宏基因组 人类肠道微生物 体外抗菌实验，生物相容性检测，小鼠肺部感染模型
Maasch等[42] RF 蛋白质组 灭绝亲属尼安德特人和丹尼索瓦人 体外抗菌实验，生物相容性检测，抗菌机制探索，小鼠皮肤及大腿感染模型
Wan等[43] FCNN 蛋白质组 灭绝物种 体外抗菌实验，生物相容性检测，抗菌机制探索，小鼠皮肤及大腿感染模型
Huang等[44] XGBoost+LSTM+RF+CNN 计算机虚拟的理论上所有可能的短肽序列空间 / 体外抗菌实验，生物相容性检测，抗菌机制探索，小鼠大腿及肺部感染模型
Ruiz Puentes等[45] GCN 基因组 大肠杆菌 体外抗菌实验，抗菌机制探索
Torres等[46] FCNN 蛋白质组 古细菌 体外抗菌实验，生物相容性检测，抗菌机制探索，小鼠皮肤及大腿感染模型
Sharma等[47] CNN+SVM 基因组 水蛭 未进行湿实验验证
Yan等[48] CNN+RAAC 基因组 光滑念珠菌 体外抗菌实验
Luo等[49] PLM+GAT 多肽库 UniRef90数据库 体外抗菌实验，生物相容性检测
Li等[50] BERT+CNN 基因组 大型原生生物 体外抗菌实验，生物相容性检测
Duque-Salazar等[51] RF+SVM+DA+ANN 蛋白质组 菌、藻类和无脊椎动物在内的九种生物 体外抗菌实验，生物相容性检测
Ran等[52] SVM+RF+CNN+XGBoost 多肽组 汇总的对禾谷镰孢菌具有抗真菌活性的抗菌肽 体外抗菌实验，抗菌机制探索，分子动力学模拟
Kim等[53] SVM+RF+ANN 转录组 美洲蟑螂 体外抗菌实验，生物相容性检测
Yan等[54] CNN+ATT / / 未进行湿实验验证
Chen等[55] SVM+RF+ANN+kNN+CNN+VAE+RNN+LSTM 非抗菌蛋白库 章鱼双斑类 体外抗菌实验，生物相容性检测，抗菌机制探索
Lin等[56] NLP+LSTM / / 未进行湿实验验证
Gull等[57] SVM+XGBoost / / 未进行湿实验验证
Fjell等[58] HMM / / 未进行湿实验验证
Yang等[59] RF+LSTM / / 未进行湿实验验证
Lin等[60] SVM+RF / / 未进行湿实验验证
Lata等[61] ANN+QM+SVM / / 未进行湿实验验证
Cai等[62] BERT / / 未进行湿实验验证
Hartman等[63] CNN 多肽组 串联质谱生成的急性伤口液、未感染伤口及感染金黄色葡萄球菌伤口的肽组数据集 未进行湿实验验证
Shehadeh等[64] SVM / / 未进行湿实验验证
Guan等[65] FCNN 蛋白质组 毒液组学 体外抗菌实验，生物相容性检测，抗菌机制探索，小鼠皮肤感染模型
Jhong等[66] RF / / 未进行湿实验验证
Veltri等[67] DNN+LSTM / / 未进行湿实验验证
Zhao等[68] PLM+CNN+BiLSTM+CBAM / / 未进行湿实验验证
Chen等[69] DT+kNN+LightGBM+NB+RF+SVM+XGBoost+ANN+CNN+LSTM / 设计的半胱胺酶钉结合肽 体外抗菌实验，生物相容性检测
Yu等[70] LightGBM+LSTM+ATT 多肽组 牛奶 体外抗菌实验
Yang等[71] ATT+LSTM+BERT 基因组 细菌基因组编码的非核糖体肽 体外抗菌实验，生物相容性检测，抗菌机制探索
Meng等[72] CNN+LSTM / / 未进行湿实验验证
Wang[73] MLP / / 未进行湿实验验证
Fang等[74] RF+XGBoost+SVM+ET+LightGBM+CatBoost+GB / CPPsite 2.0数据库 体外抗菌实验，生物相容性检测，小鼠皮下及腹膜感染模型
Xiao等[75] CNN+BiLSTM+SVM / 蛋白数据库训练 未进行湿实验验证
Xu等[76] CNN+LSTM / / 未进行湿实验验证
Pang等[77] BERT / / 未进行湿实验验证
Biswas等[78] RF+ANN 多肽库 天然宿主防御肽数据库、已知具有抗结核活性的先导肽 体外抗菌实验，生物相容性检测
Zhang等[79] GA+ML 多肽 由车虾生产的LBDMj肽作为模型肽 体外抗菌实验
Giguere等[80] K-means+SVM 多肽库 CAMP数据集 体外抗菌实验
Song等[81] CNN+LSTM 蛋白质组 巨型长牡蛎黏液 体外抗菌实验，生物相容性检测
Han等[82] PLM / / 未进行湿实验验证
Cordoves-Delgado等[83] PLM+GAT / / 未进行湿实验验证
Meher等[84] SVM / / 未进行湿实验验证
Ng等[85] SVM / / 未进行湿实验验证
Olcay等[86] RF+SVM+LR+kNN+XGBoost / / 未进行湿实验验证
Xia等[87] FCNN 多肽组 蛋白酶体数据库 未进行湿实验验证
Medina-Ortiz等[88] SVM+RF+kNN+XGBoost 肽图谱多肽数据库中活性未知肽从新合成的多肽筛选抗菌肽 / 未进行湿实验验证
Hussain[89] CNN / / 未进行湿实验验证
Wu等[90] RF 宏基因组 南美白对虾养殖池塘水体 体外抗菌实验，生物相容性检测
Guo等[91] RF+XGBoost 多肽库 实验数据获得的肽和DBAASP数据库 体外抗菌实验，生物相容性检测，抗菌机制探索，体内抗龋效果分析，体内安全性分析
Zhou等[92] CNN+LSTM / / 未进行湿实验验证
Du等[93] RF 基因组 乳杆菌科 未进行湿实验验证
Barroso等[94] SVM+RF+DNN 基因组、转录组、蛋白质组数据 刺胞动物 体外抗菌实验，生物相容性检测
Shen等[95] CNN+LSTM+BERT 宏基因组 反刍动物胃肠道微生物组 体外抗菌实验，生物相容性检测，小鼠皮肤感染模型
Kavousi等[96] NB+kNN+SVM+RF+XGBoost / / 未进行湿实验验证
Xu等[97] LSTM+ATT+BERT 宏基因组 污泥 体外抗菌实验
Grafskaia等[98] DNN+HMM 转录组 海葵 体外抗菌实验
Henson等[99] ML 多肽库 虚拟肽库 体外抗菌实验，生物相容性检测，抗菌机制探索
表5 基于人工智能（AI）的抗菌肽（AMP）的设计和生成研究成果汇总
文献 主要算法框架 湿实验验证
Das等[7] VAE+WAE 体外抗菌实验，生物相容性检测，抗菌机制探索
Tian等[37] GAN 体外抗菌实验，生物相容性检测，抗菌机制探索
Wang等[39] DM+VAE+BERT 体外抗菌实验，生物相容性检测，体内小鼠皮肤/肺部感染模型
Liu等[100] VAE+CNN 体外抗菌实验，生物相容性检测，抗菌机制探索，体内小鼠肠道感染模型
de Albernaz等[101] Transformer 体外抗菌实验，生物相容性检测，协同作用试验：抗菌肽与抗生素美罗培南
Dong等[102] GAN+GCN 体外抗菌实验，生物相容性检测，抗菌机制探索，体内小鼠多重耐药鲍曼杆菌急性感染模型
Jin等[103] XGBoost+LSTM 体外抗菌实验，生物相容性检测，抗菌机制探索
Gao等[104] SHAP+BERT 体外抗菌实验，生物相容性检测，抗菌机制探索，体内小鼠急性感染模型
Jiang等[105] PLM+PT+KD+RL 体外抗菌实验，生物相容性检测，抗菌机制探索，体内大鼠颈部感染模型
Zhang等[106] LSTM+CNN 未进行湿实验验证
Pikalyova等[107] WAE+GTM 体外抗菌实验，生物相容性检测
Zhao等[108] VAE+Transformer 未进行湿实验验证
Liu等[109] RNN+PLM+RTKU 体外抗菌实验，生物相容性检测，抗菌机制探索
Zhao等[110] CVAE+DM 未进行湿实验验证
Wu等[111] GGD+RL 体外抗菌实验，生物相容性检测，抗菌机制探索
Wang等[112] GRU+ATT+MCTS 抗菌活性、溶血分析、细胞毒性分析
Yang等[113] CVAE+RF 体外抗菌实验，生物相容性检测
Pandi等[114] VAE+CNN+LSTM 体外抗菌实验，生物相容性检测，抗菌机制探索
Boone等[115] RST+GA 体外抗菌实验
Wang等[116] PL+DM 体外抗菌实验，生物相容性检测，抗菌机制探索
Cesaro等[117] VAE 体外抗菌实验，生物相容性检测，动物模型内抗感染实验
Whelan等[118] SVM+RF+DA 未进行湿实验验证
Swanson等[119] DNN+MCTS 体外抗菌实验，耐药概率测试
Yin等[120] XGBoost 体外抗菌实验
Dong等[121] RNN+Transformer+GRU+LSTM 体外抗菌实验，生物相容性检测，抗菌机制探索
Zare-Zardini等[122] LightGBM+GA 体外抗菌实验，生物相容性检测，抗菌机制探索，伤口愈合能力分析
Dean等[123] VAE 体外抗菌实验
Dean等[124] VAE 体外抗菌实验
Tucs等[125] GAN 体外抗菌实验，氨苄西林药效对标分析
表6 代表性的判别及生成类人工智能（AI）模型
核心AI模型 算法框架 特征编码方式 靶标菌株 湿实验验证方式 核心结论
Macrel[40] RF 氨基酸组成、理化特性、二肽及三肽的分布、分子量等一维序列特征 ESKAPEE（屎肠球菌、金黄色葡萄球菌、肺炎克雷伯菌、鲍曼不动杆菌、铜绿假单胞菌、肠杆菌属和大肠埃希菌）等11种临床致病菌 体外抗菌实验生物相容性检测抗菌机制探索小鼠皮肤鲍曼不动杆菌感染模型 对全球范围内63 410个宏基因组与87 920个原核基因组序列进行系统筛选，构建了AMPphere数据库，其中超90%为全新未知AMP。该研究选取并合成了100条候选肽，其中79条具备体外抗菌活性，部分AMP在小鼠感染模型中表现出与多黏菌素B相当的抗感染效果
APEX[43] FCNN 氨基酸组成、理化特性、二肽及三肽的分布、分子量等一维序列特征 ESKAPEE等11种临床致病菌 体外抗菌实验生物相容性检测抗菌机制探索小鼠皮肤和大腿深部鲍曼不动杆菌感染模型 对灭绝生物蛋白组进行扫描筛选，经合成验证的69条肽多通过破坏细菌细胞膜电位发挥抗菌作用，可在小鼠皮肤脓肿及大腿感染模型中有效清除多重耐药鲍曼不动杆菌
AMPlify[26] Bi-LSTM+ATT 仅包括氨基酸序列信息，不包括理化特性等 WHO重点耐药致病菌（耐药性大肠杆菌、金黄色葡萄球菌、化脓性链球菌和铜绿假单胞菌） 体外抗菌实验 擅长从真核基因组中挖掘新型AMP，灵敏度与特异度显著提升
PGAT-ABPp[33] GNN+PLM PLM全局序列嵌入，氨基酸残基构建拓扑图，叠加理化属性节点特征 广谱抗菌 未进行湿实验验证 PLM可捕获氨基酸全局上下文规律，GNN有效挖掘残基局部相互作用，二者融合能弥补单一模型缺失结构信息的缺陷；PGAT-ABPp在多套测试数据集上识别准确率显著优于现有主流预测工具
PepVAE[124] VAE 氨基酸离散序列嵌入编码，将氨基酸字符映射为低维连续向量；隐空间约束多肽净电荷、疏水性、长度等关键理化参数，实现可控序列生成 大肠杆菌、金黄色葡萄球菌、铜绿假单胞菌 体外抗菌实验 PepVAE可实现多肽生成与活性预测，相比传统生成模型训练过程更稳定，不易出现序列失效问题
PepGAN[125] GAN 氨基酸组成、理化特性、二肽及三肽的分布、分子量等一维序列特征 大肠杆菌 体外抗菌实验并与氨苄西林药效对标 活性约束的GAN可定向产出高抑菌活性多肽，提升有效候选肽的产出效率
[1]
Kariuki S. Global burden of antimicrobial resistance and forecasts to 2050[J]. Lancet，2024，404（10459）：1172-1173. DOI：10.1016/S0140-6736(24)01885-3.
[2]
Brinkac L，Voorhies A，Gomez A，et al. The threat of antimicrobial resistance on the human microbiome[J]. Microb Ecol，2017，74（4）：1001-1008. DOI：10.1007/s00248-017-0985-z.
[3]
Luo Y，Song Y. Mechanism of antimicrobial peptides：Antimicrobial，anti-inflammatory and antibiofilm activities[J]. Int J Mol Sci，2021，22（21）：11401. DOI：10.3390/ijms222111401.
[4]
Melo M C R，Maasch J R M A，de la Fuente-Nunez C. Accelerating antibiotic discovery through artificial intelligence[J]. Communications Biology，2021，4（1）：1050. DOI：10.1038/s42003-021-02586-0.
[5]
Wan F，Wong F，Collins J J，et al. Machine learning for antimicrobial peptide identification and design[J]. Nat Rev Bioeng，2024，2（5）：392-407. DOI：10.1038/s44222-024-00152-x.
[6]
Szymczak P，Szczurek E. Artificial intelligence-driven antimicrobial peptide discovery[J]. Curr Opin Struct Biol，2023（83）：102733. DOI：10.1016/j.sbi.2023.102733.
[7]
Das P，Sercu T，Wadhawan K，et al. Accelerated antimicrobial discovery via deep generative models and molecular dynamics simulations[J]. Nat Biomed Eng，2021，5（6）：613-623. DOI：10.1038/s41551-021-00689-x.
[8]
Yao L，Guan J，Xie P，et al. dbAMP 3.0：Updated resource of antimicrobial activity and structural annotation of peptides in the post-pandemic era[J]. Nucleic Acids Res，2025，53（D1）：D364-D376. DOI：10.1093/nar/gkae1019.
[9]
Ma T，Liu Y，Yu B，et al. DRAMP 4.0：An open-access data repository dedicated to the clinical translation of antimicrobial peptides[J]. Nucleic Acids Res，2025，53（D1）：D403-D410. DOI：10.1093/nar/gkae1046.
[10]
Gawde U，Chakraborty S，Waghu F H，et al. CAMPR4：A database of natural and synthetic antimicrobial peptides[J]. Nucleic Acids Res，2023，51（D1）：D377-D383. DOI：10.1093/nar/gkac933.
[11]
Zhao X，Wu H，Lu H，et al. LAMP：A database linking antimicrobial peptides[J]. PLoS One，2013，8（6）：e66557. DOI：10.1371/journal.pone.0066557.
[12]
Wang G，Schmidt C，Li X，et al. APD6：The antimicrobial peptide database is expanded to promote research and development by deploying an unprecedented information pipeline[J]. Nucleic Acids Res，2026，54（D1）：D363-D374. DOI：10.1093/nar/gkaf860.
[13]
Pirtskhalava M，Armstrong A A，Grigolava M，et al. DBAASP v3：Database of antimicrobial/cytotoxic activity and structure of peptides as a resource for development of new therapeutics[J]. Nucleic Acids Res，2021，49（D1）：D288-D297. DOI：10.1093/nar/gkaa991.
[14]
Singh S，Chaudhary K，Dhanda S K，et al. SATPdb：A database of structurally annotated therapeutic peptides[J]. Nucleic Acids Res，2016，44（D1）：D1119-D1126. DOI：10.1093/nar/gkv1114.
[15]
Piotto S P，Sessa L，Concilio S，et al. YADAMP：Yet another database of antimicrobial peptides[J]. Int J Antimicrob Agents，2012，39（4）：346-351. DOI：10.1016/j.ijantimicag.2011.12.003.
[16]
Seshadri Sundararajan V，Gabere M N，Pretorius A，et al. DAMPD：A manually curated antimicrobial peptide database[J]. Nucleic Acids Res，2012，40（D1）：D1108-D1112. DOI：10.1093/nar/gkr1063.
[17]
Brizuela C A，Liu G，Stokes J M，et al. AI methods for antimicrobial peptides：Progress and challenges[J]. Microb Biotechnol，2025，18（1）：e70072. DOI：10.1111/1751-7915.70072.
[18]
Cortes C，Vapnik V. Support-vector networks[J]. Mach Learn，1995（20）：273-297. DOI：10.1007/BF00994018.
[19]
Ho TK. The random subspace method for constructing decision forests[J]. IEEE Trans Pattern Anal Mach Intell，1998，20（8）：832-844. DOI：10.1109/34.709601.
[20]
Altman NS. An introduction to kernel and nearest-neighbor nonparametric regression[J]. Am Stat，1992，46（3）：175-185. DOI：10.1080/00031305.1992.10475879.
[21]
Wani MA，Garg P，Roy KK. Machine learning-enabled predictive modeling to precisely identify the antimicrobial peptides[J]. Med Biol Eng Comput，2021，59（11-12）：2397-2408. DOI：10.1007/s11517-021-02443-6.
[22]
Chen W，Luo L. Classification of antimicrobial peptide using diversity measure with quadratic discriminant analysis[J]. J Microbiol Methods，2009，78（1）：94-96. DOI：10.1016/j.mimet.2009.03.013.
[23]
Xu J，Li F，Leier A，et al. Comprehensive assessment of machine learning-based methods for predicting antimicrobial peptides[J]. Brief Bioinform，2021，22（5）：bbab083. DOI：10.1093/bib/bbab083.
[24]
Zhuang J，Gao W，Su R. EnAMP：A novel deep learning ensemble antibacterial peptide recognition algorithm based on multi-features[J]. J Bioinform Comput Biol，2024，22（1）：2450001. DOI：10.1142/S021972002450001X.
[25]
Wang B，Lin P，Zhong Y，et al. Explainable deep learning and virtual evolution identifies antimicrobial peptides with activity against multidrug-resistant human pathogens[J]. Nat Microbiol，2025，10（2）：332-347. DOI：10.1038/s41564-024-01907-3.
[26]
Li C，Sutherland D，Hammond S A，et al. AMPlify：Attentive deep learning model for discovery of novel antimicrobial peptides effective against WHO priority pathogens[J]. BMC Genomics，2022，23（1）：77. DOI：10.1186/s12864-022-08310-4.
[27]
Zhang S，Zhao Y，Liang Y. AMP-EF：An ensemble framework of extreme gradient boosting and bidirectional long short-term memory network for identifying antimicrobial peptides[J]. Match，2024，91（1）：109-131. DOI：10.46793/match.91-1.109z.
[28]
Madan S，Lentzen M，Brandt J，et al. Transformer models in biomedicine[J]. BMC Med Inform Decis Mak，2024，24（1）：214. DOI：10.1186/s12911-024-02600-5.
[29]
Devlin J，Chang M W，Lee K，et al. BERT：Pre-training of deep bidirectional transformers for language understanding[C/OL]//Burstein J，Doran C，Solorio T. Proceedings of the 2019 Conference of the North American Chapter of the Association for Computational Linguistics：Human Language Technologies. Minneapolis：Assoc Comput Linguist，2019：4171-4186. DOI：10.18653/v1/N19-1423.

URL    
[30]
Lee H，Lee S，Lee I，et al. AMP-BERT：Prediction of antimicrobial peptide function based on a BERT model[J]. Protein Sci，2023，32（1）：e4529. DOI：10.1002/pro.4529.
[31]
Gao W，Zhao J，Gui J，et al. Comprehensive assessment of BERT-based methods for predicting antimicrobial peptides[J]. J Chem Inf Model，2024，64（19）：7772-7785. DOI：10.1021/acs.jcim.4c00507.
[32]
Wang X，Wu Z，Wang R，et al. UniproLcad：Accurate identification of antimicrobial peptide by fusing multiple pre-trained protein language models[J]. Symmetry，2024，16（4）：464. DOI：10.3390/sym16040464.
[33]
Hao Y，Liu X，Fu H，et al. PGAT-ABPp：Harnessing protein language models and graph attention networks for antibacterial peptide identification with remarkable accuracy[J]. Bioinformatics，2024，40（8）：btae497. DOI：10.1093/bioinformatics/btae497.
[34]
Chen B，Xie Z，Qiu J，et al. Improved the heterodimer protein complex prediction with protein language models[J]. Briefings in Bioinformatics，2023，24（4）：bbad221. DOI：10.1093/bib/bbad221.
[35]
Nagarajan D，Nagarajan T，Roy N，et al. Computational antimicrobial peptide design and evaluation against multidrug-resistant clinical isolates of bacteria[J]. J Biol Chem，2018，293（10）：3492-3509. DOI：10.1074/jbc.M117.805499.
[36]
Szymczak P，Możejko M，Grzegorzek T，et al. Discovering highly potent antimicrobial peptides with deep generative model HydrAMP[J]. Nat Commun，2023，14（1）：1453. DOI：10.1038/s41467-023-36994-z.
[37]
Tian C，Hao Y，Fu H，et al. From AI-driven sequence generation to molecular simulation：A comprehensive framework for antimicrobial peptide discovery[J]. J Chem Inf Model，2025，65（18）：9566-9575. DOI：10.1021/acs.jcim.5c00892.
[38]
Madani A，Krause B，Greene ER，et al. Large language models generate functional protein sequences across diverse families[J]. Nat Biotechnol，2023，41（8）：1099-1106. DOI：10.1038/s41587-022-01618-2.
[39]
Wang Y，Song M，Liu F，et al. Artificial intelligence using a latent diffusion model enables the generation of diverse and potent antimicrobial peptides[J]. Sci Adv，2025，11（6）：eadp7171. DOI：10.1126/sciadv.adp7171.
[40]
Santos-Júnior C D，Torres M D T，Duan Y，et al. Discovery of antimicrobial peptides in the global microbiome with machine learning[J]. Cell，2024，187（14）：3761-3778.e16. DOI：10.1016/j.cell.2024.05.013.
[41]
Ma Y，Guo Z，Xia B，et al. Identification of antimicrobial peptides from the human gut microbiome using deep learning[J]. Nat Biotechnol，2022，40（6）：921-931. DOI：10.1038/s41587-022-01226-0.
[42]
Maasch J R M A，Torres M D T，Melo M C R，et al. Molecular de-extinction of ancient antimicrobial peptides enabled by machine learning[J]. Cell Host Microbe，2023，31（8）：1260-1274.e6. DOI：10.1016/j.chom.2023.07.001.
[43]
Wan F，Torres M D T，Peng J，et al. Deep-learning-enabled antibiotic discovery through molecular de-extinction[J]. Nat Biomed Eng，2024，8（7）：854-871. DOI：10.1038/s41551-024-01201-x.
[44]
Huang J，Xu Y，Xue Y，et al. Identification of potent antimicrobial peptides via a machine-learning pipeline that mines the entire space of peptide sequences[J]. Nat Biomed Eng，2023，7（6）：797-810. DOI：10.1038/s41551-022-00991-2.
[45]
Ruiz Puentes P，Henao M C，Cifuentes J，et al. Rational discovery of antimicrobial peptides by means of artificial intelligence[J]. Membranes，2022，12（7）：708. DOI：10.3390/membranes12070708.
[46]
Torres M D T，Wan F，de la Fuente-Nunez C. Deep learning reveals antibiotics in the archaeal proteome[J]. Nat Microbiol，2025，10（9）：2153-2167. DOI：10.1038/s41564-025-02061-0.
[47]
Sharma R，Shrivastava S，Kumar Singh S，et al. AniAMPpred：Artificial intelligence guided discovery of novel antimicrobial peptides in animal kingdom[J]. Brief Bioinform，2021，22（6）：bbab242. DOI：10.1093/bib/bbab242.
[48]
Yan J，Bhadra P，Li A，et al. Deep-AmPEP30：Improve short antimicrobial peptides prediction with deep learning[J]. Mol Ther Nucleic Acids，2020（20）：882-894. DOI：10.1016/j.omtn.2020.05.006.
[49]
Luo J，Zhao K，Chen J，et al. iMFP-LG：Identify novel multi-functional peptides using protein language models and graph-based deep learning[J]. Genomics Proteomics Bioinform，2025，22（6）：qzae084. DOI：10.1093/gpbjnl/qzae084.
[50]
Li W，Zhu G，Zubair M，et al. Deep learning-driven discovery of novel antimicrobial peptides from large-scale protist genomes and experimental characterization[J]. J Chem Inf Model，2025，65（19）：9962-9973. DOI：10.1021/acs.jcim.5c01196.
[51]
Duque-Salazar G，Mendez-Otalvaro E，Ceballos-Arroyo AM，et al. Design of antimicrobial and cytolytic peptides by computational analysis of bacterial，algal，and invertebrate proteomes[J]. Amino Acids，2020，52（10）：1403-1412. DOI：10.1007/s00726-020-02900-w.
[52]
Ran Y，Li S，Wang Y J，et al. AI-accelerated identification of novel antimicrobial peptides for inhibiting Fusarium graminearum[J]. J Agric Food Chem，2025，73（28）：17471-17482. DOI：10.1021/acs.jafc.5c03429.
[53]
Kim I W，Lee J H，Subramaniyam S，et al. De novo transcriptome analysis and detection of antimicrobial peptides of the American cockroach Periplaneta americana（Linnaeus）[J]. PLoS One，2016，11（5）：e0155304. DOI：10.1371/journal.pone.0155304.
[54]
Yan J，Zhang B，Zhou M，et al. A deep learning method for predicting the minimum inhibitory concentration of antimicrobial peptides against Escherichia coli using multi-branch-CNN and attention[J]. mSystems，2023，8（4）：e00345-23. DOI：10.1128/msystems.00345-23.
[55]
Chen P，Zhang T，Li C，et al. Aggregation-prone antimicrobial peptides target gram-negative bacterial nucleic acids and protein synthesis[J]. Acta Biomater，2025（192）：446-460. DOI：10.1016/j.actbio.2024.12.002.
[56]
Lin T T，Yang L Y，Lu I H，et al. AI4AMP：An antimicrobial peptide predictor using physicochemical property-based encoding method and deep learning[J]. mSystems，2021，6（6）：e00299-21. DOI：10.1128/mSystems.00299-21.
[57]
Gull S，Shamim N，Minhas F. AMAP：Hierarchical multi-label prediction of biologically active and antimicrobial peptides[J]. Comput Biol Med，2019（107）：172-181. DOI：10.1016/j.compbiomed.2019.02.018.
[58]
Fjell C D，Hancock R E W，Cherkasov A. AMPer：A database and an automated discovery tool for antimicrobial peptides[J]. Bioinformatics，2007，23（9）：1148-1155. DOI：10.1093/bioinformatics/btm068.
[59]
Yang S，Yang Z，Ni X. AMPFinder：A computational model to identify antimicrobial peptides and their functions based on sequence-derived information[J]. Anal Biochem，2023（673）：115196. DOI：10.1016/j.ab.2023.115196.
[60]
Lin Y，Cai Y，Liu J，et al. An advanced approach to identify antimicrobial peptides and their function types for penaeus through machine learning strategies[J]. BMC Bioinform，2019，20（S8）：291. DOI：10.1186/s12859-019-2766-9.
[61]
Lata S，Sharma B，Raghava G. Analysis and prediction of antibacterial peptides[J]. BMC Bioinform，2007，8（1）：263. DOI：10.1186/1471-2105-8-263.
[62]
Cai J，Yan J，Un C，et al. BERT-AmPEP60：A BERT-based transfer learning approach to predict the minimum inhibitory concentrations of antimicrobial peptides for Escherichia coli and Staphylococcus aureus[J]. J Chem Inf Model，2025，65（7）：3186-3202. DOI：10.1021/acs.jcim.4c01749.
[63]
Hartman E，Wallblom K，van der Plas M J A，et al. Bioinformatic analysis of the wound peptidome reveals potential biomarkers and antimicrobial peptides[J]. Front Immunol，2021（11）：620707. DOI：10.3389/fimmu.2020.620707.
[64]
Shehadeh F，Mishra B，Ferrer-Espada R，et al. CAMPER：Mechanistic artificial intelligence for designing peptides that target MRSA persisters[J]. Nat Commun，2026，17（1）：3689. DOI：10.1038/s41467-026-70348-9.
[65]
Guan C，Torres M D T，Li S，et al. Computational exploration of global venoms for antimicrobial discovery with venomics artificial intelligence[J]. Nat Commun，2025，16（1）：6446. DOI：10.1038/s41467-025-60051-6.
[66]
Jhong J H，Chi Y H，Li W C，et al. dbAMP：An integrated resource for exploring antimicrobial peptides with functional activities and physicochemical properties on transcriptome and proteome data[J]. Nucleic Acids Res，2019，47（D1）：D285-D297. DOI：10.1093/nar/gky1030.
[67]
Veltri D，Kamath U，Shehu A. Deep learning improves antimicrobial peptide recognition[J]. Bioinformatics，2018，34（16）：2740-2747. DOI：10.1093/bioinformatics/bty179.
[68]
Zhao J，Liu H，Kang L，et al. deep-AMPpred：A deep learning method for identifying antimicrobial peptides and their functional activities[J]. J Chem Inf Model，2025，65（2）：997-1008. DOI：10.1021/acs.jcim.4c01913.
[69]
Chen R，You Y，Liu Y，et al. Deep-learning-based approaches for rational design of stapled peptides with high antimicrobial activity and stability[J]. Microb Biotechnol，2025，18（3）：e70121. DOI：10.1111/1751-7915.70121.
[70]
Yu W，Zhang X，Yu Y，et al. Discovery of milk-derived antimicrobial peptides in human milk by DeepMAMP based on peptidomics technology and deep learning method[J]. Food Chem，2025（491）：145174. DOI：10.1016/j.foodchem.2025.145174.
[71]
Yang C L，Wang P P，Zhou Z Y，et al. Discovery of naturally inspired antimicrobial peptides using deep learning[J]. Bioorg Chem，2025（160）：108444. DOI：10.1016/j.bioorg.2025.108444.
[72]
Meng Q，Chen G，Lin B，et al. DMAMP：A deep-learning model for detecting antimicrobial peptides and their multi-activities[J]. IEEE ACM Trans Comput Biol Bioinform，2024，21（6）：2025-2034. DOI：10.1109/TCBB.2024.3439541.
[73]
Wang S C. E-CLEAP：An ensemble learning model for efficient and accurate identification of antimicrobial peptides[J]. PLoS One，2024，19（5）：e0300125. DOI：10.1371/journal.pone.0300125.
[74]
Fang Y，Fan D，Feng B，et al. Harnessing advanced computational approaches to design novel antimicrobial peptides against intracellular bacterial infections[J]. Bioact Mater，2025（50）：510-524. DOI：10.1016/j.bioactmat.2025.04.016.
[75]
Xiao X，Shao Y T，Cheng X，et al. iAMP-CA2L：A new CNN-BiLSTM-SVM classifier based on cellular automata image for identifying antimicrobial peptides and their functional types[J]. Brief Bioinform，2021，22（6）：bbab209. DOI：10.1093/bib/bbab209.
[76]
Xu J，Li F，Li C，et al. iAMPCN：A deep-learning approach for identifying antimicrobial peptides and their functional activities[J]. Brief Bioinform，2023，24（4）：bbad240. DOI：10.1093/bib/bbad240.
[77]
Pang Y，Yao L，Xu J，et al. Integrating transformer and imbalanced multi-label learning to identify antimicrobial peptides and their functional activities[J]. Bioinformatics，2022，38（24）：5368-5374. DOI：10.1093/bioinformatics/btac711.
[78]
Biswas D，Benson S，Matunis A，et al. Lead informed artificial intelligence mining of antitubercular host defense peptides[J]. Biomacromolecules，2025，26（5）：3167-3179. DOI：10.1021/acs.biomac.5c00244.
[79]
Zhang H，Wang Y，Zhu Y，et al. Machine learning and genetic algorithm-guided directed evolution for the development of antimicrobial peptides[J]. J Adv Res，2025（68）：415-428. DOI：10.1016/j.jare.2024.02.016.
[80]
Giguere S，Laviolette F，Marchand M，et al. Machine learning assisted design of highly active peptides for drug discovery[J]. PLoS Comput Biol，2015，11（4）：e1004074. DOI：10.1371/journal.pcbi.1004074.
[81]
Song J，Liu K，Jin X，et al. Machine learning-driven discovery and evaluation of antimicrobial peptides from Crassostrea gigas mucus proteome[J]. Mar Drugs，2024，22（9）：385. DOI：10.3390/md22090385.
[82]
Han J，Kong T，Liu J. PepNet：An interpretable neural network for anti-inflammatory and antimicrobial peptides prediction using a pre-trained protein language model[J]. Commun Biol，2024，7（1）：1198. DOI：10.1038/s42003-024-06911-1.
[83]
Cordoves-Delgado G，Garcia-Jacas C R. Predicting antimicrobial peptides using ESMFold-predicted structures and ESM-2-based amino acid features with graph deep learning[J]. J Chem Inf Model，2024，64（10）：4310-4321. DOI：10.1021/acs.jcim.3c02061.
[84]
Meher P K，Sahu T K，Saini V，et al. Predicting antimicrobial peptides with improved accuracy by incorporating the compositional，physico-chemical and structural features into Chou′s general PseAAC[J]. Sci Rep，2017，7（1）：42362. DOI：10.1038/srep42362.
[85]
Ng X Y，Rosdi B A，Shahrudin S. Prediction of antimicrobial peptides based on sequence alignment and support vector machine-pairwise algorithm utilizing LZ-complexity[J]. Biomed Res Int，2015（2015）：1-13. DOI：10.1155/2015/212715.
[86]
Olcay B，Ozdemir G D，Ozdemir M A，et al. Prediction of the synergistic effect of antimicrobial peptides and antimicrobial agents via supervised machine learning[J]. BMC Biomed Eng，2024，6（1）：1-19. DOI：10.1186/s42490-024-00075-z.
[87]
Xia X，Torres M D T，de la Fuente-Nunez C. Proteasome-derived antimicrobial peptides discovered via deep learning[PP/OL]. bioRxiv（2025-06-03）[2026-04-28]. https://doi.org/10.1101/2025.03.17.643752.
[88]
Medina-Ortiz D，Contreras S，Fernandez D，et al. Protein language models and machine learning facilitate the identification of antimicrobial peptides[J]. Int J Mol Sci，2024，25（16）：8851. DOI：10.3390/ijms25168851.
[89]
Hussain W. sAMP-PFPDeep：Improving accuracy of short antimicrobial peptides prediction using three different sequence encodings and deep neural networks[J]. Brief Bioinform，2022，23（1）：bbab487. DOI：10.1093/bib/bbab487.
[90]
Wu K，Xu G，Tian Y，et al. Synthesis and evaluation of aquatic antimicrobial peptides derived from marine metagenomes using a high-throughput screening approach[J]. Mar Drugs，2025，23（4）：178. DOI：10.3390/md23040178.
[91]
Guo H，Yu Y，Zhang Z，et al. The discovery of wheat-derived anticaries peptides by a ML-based computational strategy[J]. Bioorg Med Chem，2025（129）：118303. DOI：10.1016/j.bmc.2025.118303.
[92]
Zhou W，Liu Y，Li Y，et al. TriNet：A tri-fusion neural network for the prediction of anticancer and antimicrobial peptides[J]. Patterns，2023，4（3）：100702. DOI：10.1016/j.patter.2023.100702.
[93]
Du R，Han F，Li Z，et al. Uncovering encrypted antimicrobial peptides in health-associated Lactobacillaceae by large-scale genomics and machine learning[J]. Microbiome，2025，13（1）：151. DOI：10.1186/s40168-025-02145-3.
[94]
Barroso RA，Aguero-Chapin G，Sousa R，et al. Unlocking antimicrobial peptides：In silico proteolysis and artificial intelligence-driven discovery from cnidarian omics[J]. Molecules，2025，30（3）：550. DOI：10.3390/molecules30030550.
[95]
Shen H，Li Y，Pi Q，et al. Unveiling novel antimicrobial peptides from the ruminant gastrointestinal microbiomes：A deep learning-driven approach yields an anti-MRSA candidate[J]. J Adv Res，2025（77）：821-835. DOI：10.1016/j.jare.2025.01.005.
[96]
Kavousi K，Bagheri M，Behrouzi S，et al. IAMPE：NMR-assisted computational prediction of antimicrobial peptides[J]. J Chem Inf Model，2020，60（10）：4691-4701. DOI：10.1021/acs.jcim.0c00841.
[97]
Xu J，Xu X，Jiang Y，et al. Waste to resource：Mining antimicrobial peptides in sludge from metagenomes using machine learning[J]. Environ Int，2024（186）：108574. DOI：10.1016/j.envint.2024.108574.
[98]
Grafskaia E N，Polina N F，Babenko V V，et al. Discovery of novel antimicrobial peptides：A transcriptomic study of the sea anemone Cnidopus japonicus[J]. J Bioinform Comput Biol，2018，16（2）：1840006. DOI：10.1142/S0219720018400061.
[99]
Henson B A B，Li F，Alvarez-Huerta J A，et al. Novel active Trp- and Arg-rich antimicrobial peptides with high solubility and low red blood cell toxicity designed using machine learning tools[J]. Int J Antimicrob Agents，2025，65（1）：107399. DOI：10.1016/j.ijantimicag.2024.107399.
[100]
Liu H，Song Z，Zhang Y，et al. De novo design of self-assembling peptides with antimicrobial activity guided by deep learning[J]. Nat Mater，2025，24（8）：1295-1306. DOI：10.1038/s41563-025-02164-3.
[101]
de Albernaz D T F，Allend S O，Neto A C P S，et al. Novel antimicrobial peptides against Pseudomonas aeruginosa：In silico design and experimental validation[J]. J Appl Microbiol，2025，136（12）：lxaf287. DOI：10.1093/jambio/lxaf287.
[102]
Dong R，Liu R，Liu Z，et al. Exploring the repository of de novo-designed bifunctional antimicrobial peptides through deep learning[J]. eLife，2025（13）：RP97330. DOI：10.7554/eLife.97330.
[103]
Jin S，Zeng Z，Xiong X，et al. AMPGen：An evolutionary information-reserved and diffusion-driven generative model for de novo design of antimicrobial peptides[J]. Commun Biol，2025，8（1）：839. DOI：10.1038/s42003-025-08282-7.
[104]
Gao H，Guan F，Luo B，et al. DLFea4AMPGen de novo design of antimicrobial peptides by integrating features learned from deep learning models[J]. Nat Commun，2025，16（1）：9134. DOI：10.1038/s41467-025-64378-y.
[105]
Jiang Z，Feng J，Wang F，et al. AI-guided design of antimicrobial peptide hydrogels for precise treatment of drug-resistant bacterial infections[J]. Adv Mater，2025，37（20）：2500043. DOI：10.1002/adma.202500043.
[106]
Zhang H，Saravanan K M，Wei Y，et al. Deep learning-based bioactive therapeutic peptide generation and screening[J]. J Chem Inf Model，2023，63（3）：835-845. DOI：10.1021/acs.jcim.2c01485.
[107]
Pikalyova K，Akhmetshin T，Orlov A，et al. Design of highly potent antibiofilm，antimicrobial peptides using explainable artificial intelligence[J]. J Chem Inf Model，2026，66（1）：744-755. DOI：10.1021/acs.jcim.5c01992.
[108]
Zhao W，Hou K，Shen Y，et al. A conditional denoising VAE-based framework for antimicrobial peptides generation with preserving desirable properties[J]. Bioinformatics，2025，41（2）：btaf069. DOI：10.1093/bioinformatics/btaf069.
[109]
Liu J，Cui T，Wang T，et al. A multi-property optimizing generative adversarial network for de novo antimicrobial peptide design[J]. Adv Sci，2025，12（38）：e03443. DOI：10.1002/advs.202503443.
[110]
Zhao W，Hou K，Tang C，et al. A novel generative framework for designing pathogen-targeted antimicrobial peptides with programmable physicochemical properties[J]. PLoS Comput Biol，2025，21（12）：e1013833. DOI：10.1371/journal.pcbi.1013833.
[111]
Wu T，Zhou M，Zou J，et al. AI-guided few-shot inverse design of HDP-mimicking polymers against drug-resistant bacteria[J]. Nat Commun，2024，15（1）：6288. DOI：10.1038/s41467-024-50533-4.
[112]
Wang J，Wu R，Zhang X，et al. AMPGP：Discovering highly effective antimicrobial peptides via deep learning[J]. J Chem Inf Model，2025，65（17）：9303-9312. DOI：10.1021/acs.jcim.5c00647.
[113]
Yang D，Li Y，Li C，et al. Biochemical-knowledge-driven machine learning pipeline for generating potent antimicrobial peptides[J]. Brief Bioinform，2026，27（2）：bbag115. DOI：10.1093/bib/bbag115.
[114]
Pandi A，Adam D，Zare A，et al. Cell-free biosynthesis combined with deep learning accelerates de novo-development of antimicrobial peptides[J]. Nat Commun，2023，14（1）：7197. DOI：10.1038/s41467-023-42434-9.
[115]
Boone K，Wisdom C，Camarda K，et al. Combining genetic algorithm with machine learning strategies for designing potent antimicrobial peptides[J]. BMC Bioinform，2021，22（1）：239. DOI：10.1186/s12859-021-04156-x.
[116]
Wang Y，Li M，Huang F，et al. Controllable generation of pathogen-specific antimicrobial peptides through knowledge-aware prompt diffusion model[J]. Adv Sci，2025，12（41）：e07457. DOI：10.1002/advs.202507457.
[117]
Cesaro A，Wan F，Torres M D T，et al. Design of multimodal antibiotics using deep learning[PP/OL]. bioRxiv（2025-10-31）[2026-04-28]. https://doi.org/10.1101/2024.12.20.629780. DOI：10.1101/2024.12.20.629780.
[118]
Whelan C，Roark B，Sonmez K. Designing antimicrobial peptides with weighted finite-state transducers[J]. Annu Int Conf IEEE Eng Med Biol Soc，2010（2010）：764-767. DOI：10.1109/IEMBS.2010.5626357.
[119]
Swanson K，Liu G，Catacutan D B. Generative AI for designing and validating easily synthesizable and structurally novel antibiotics[J]. Nat Mach Intell，2024，6（3）：338-353. DOI：10.1038/s42256-024-00809-7.
[120]
Yin K，Xu W，Ren S，et al. Machine learning accelerates de novo design of antimicrobial peptides[J]. Interdiscip Sci Comput Life Sci，2024，16（2）：392-403. DOI：10.1007/s12539-024-00612-3.
[121]
Dong Q，Wang S，Miao Y，et al. Novel antimicrobial peptides against Cutibacterium acnes designed by deep learning[J]. Sci Rep，2024，14（1）：4529. DOI：10.1038/s41598-024-55205-3.
[122]
Zare-Zardini H，Seyedjavadi S S. Potential application of Healitide-GP1，a novel antibacterial peptide，in wound healing：In vitro studies[J]. Sci Rep，2025，15（1）：31078. DOI：10.1038/s41598-025-17002-4.
[123]
Dean S N，Walper S A. Variational autoencoder for generation of antimicrobial peptides[J]. ACS Omega，2020，5（33）：20746-20754. DOI：10.1021/acsomega.0c00442.
[124]
Dean S N，Alvarez J A E，Zabetakis D，et al. PepVAE：Variational autoencoder framework for antimicrobial peptide generation and activity prediction[J]. Front Microbiol，2021（12）：725727. DOI：10.3389/FMICB.2021.725727.
[125]
Tucs A，Tran D P，Yumoto A，et al. Generating ampicillin-level antimicrobial peptides with activity-aware generative adversarial networks[J]. ACS Omega，2020，5（36）：22847-22851. DOI：10.1021/acsomega.0c02088.
[126]
Zhao Y，Kong Q，Gong H，et al. AI-based D-amino acid substitution for optimizing antimicrobial peptides to treat multidrug-resistant bacterial infection[J]. Adv Sci，2026，13（10）：e18522. DOI：10.1002/advs.202518522.
[127]
Mishra B，Basu A，Shehadeh F，et al. Antimicrobial peptide developed with machine learning sequence optimization targets drug resistant Staphylococcus aureus in mice[J]. J Clin Invest，2025，135（12）：e185430. DOI：10.1172/JCI185430.
[128]
Randall J R，Vieira L C，Wilke C O，et al. Deep mutational scanning and machine learning for the analysis of antimicrobial-peptide features driving membrane selectivity[J]. Nat Biomed Eng，2024，8（7）：842-853. DOI：10.1038/s41551-024-01243-1.
[129]
Cao Q，Ge C，Wang X，et al. Designing antimicrobial peptides using deep learning and molecular dynamic simulations[J]. Brief Bioinform，2023，24（2）：bbad058. DOI：10.1093/bib/bbad058.
[130]
Fjell C D，Jenssen H，Cheung W A，et al. Optimization of antibacterial peptides by genetic algorithms and cheminformatics[J]. Chem Biol Drug Des，2011，77（1）：48-56. DOI：10.1111/j.1747-0285.2010.01044.x.
[1] 王燕妮. AI在创面管理中的潜力与挑战[J/OL]. 中华损伤与修复杂志(电子版), 2026, 21(04): 320-320.
[2] 芦铭, 刘波, 钱真, 王瑶, 张艾捷, 王充, 李斌, 栗鹏程, 曹建华, 吕柏蓉, 李孟然, 单祎宁, 金彤雯, 王广志. 基于机器学习与计算机视觉技术的皮瓣移植术后血运监测模型的构建及验证[J/OL]. 中华损伤与修复杂志(电子版), 2026, 21(04): 259-265.
[3] 李雪晴, 罗俊, 徐振铎, 徐奇奇, 吴蔚, 高鹏骥. 基于深度学习的创伤性肝损伤智能诊断与决策支持的研究进展[J/OL]. 中华损伤与修复杂志(电子版), 2026, 21(04): 304-308.
[4] 梁浩文, 郭嘉文, 古发辉, 王童通, 孙进兴. 光固化3D打印全瓷修复体数字化设计研究进展[J/OL]. 中华口腔医学研究杂志(电子版), 2026, 20(04): 319-326.
[5] 罗文勇, 黄文龙, 阮沁桐, 蔡莹, 王欣, 吴柱国, 王利玲, 于海兵. 甲状腺癌术后并发低钙血症的发病风险预测模型构建[J/OL]. 中华普通外科学文献(电子版), 2026, 20(04): 257-264.
[6] 孟凡征, 王阳清, 张珅瑜, 刘连新. 人工智能在肝癌微创外科中的发展[J/OL]. 中华普外科手术学杂志(电子版), 2026, 20(04): 307-310.
[7] 王葵, 林宇轩, 沈皓, 沈锋. 人工智能化在肝癌微创外科的实践[J/OL]. 中华普外科手术学杂志(电子版), 2026, 20(04): 311-314.
[8] 王鑫, 阎龙, 戴朝六. 人工智能化与个体化在肝癌微创外科的应用[J/OL]. 中华普外科手术学杂志(电子版), 2026, 20(04): 315-318.
[9] 李佳颖, 刘溪, 陈宇航, 桂程鹏, 习明, 陈炜, 罗俊航. 卷积神经网络在预测肾透明细胞癌全视野数字切片肿瘤坏死中的应用研究[J/OL]. 中华腔镜泌尿外科杂志(电子版), 2026, 20(04): 389-398.
[10] 叶子兴, 李红运, 李英杰, 王娟, 孙玉姣, 王惠珍, 贺蕾, 吕建阳, 张洪波, 张彤彤, 陈雯雯, 杨晓宇, 申川, 纪志刚. 深度学习模型在膀胱镜下膀胱肿瘤分割中的应用[J/OL]. 中华腔镜泌尿外科杂志(电子版), 2026, 20(04): 399-406.
[11] 郑顺, 张楠, 丁奕, 李文静. 基于人工智能的血液透析患者容量状态评估研究进展[J/OL]. 中华肾病研究电子杂志, 2026, 15(04): 202-205.
[12] 刘诗馨, 宋晓微, 武剑. 临床视角下人工智能赋能脑卒中康复的范式重塑[J/OL]. 中华脑血管病杂志(电子版), 2026, 20(03): 231-239.
[13] 梁怡凡, 牟婧宇, 吴雅婷, 邳靖陶, 陈乐, 武剑. 不同人工智能模型预测脑卒中不良预后诊断效能的荟萃分析[J/OL]. 中华脑血管病杂志(电子版), 2026, 20(03): 308-319.
[14] 张思远, 宋晓微, 王丽君, 范玉华, 武剑. 人工智能赋能脑小血管病的血流动力学评估：研究进展与临床转化[J/OL]. 中华脑血管病杂志(电子版), 2026, 20(03): 327-333.
[15] 徐林, 简讯, 刘道权, 易东, 鄢华. 人工智能在心脑血管内介入诊疗中的应用进展——从单一影像模式到多模态影像融合[J/OL]. 中华脑血管病杂志(电子版), 2026, 20(03): 334-341.
阅读次数
全文


摘要

版权所有 中华医学会 中华医学电子音像出版社有限责任公司  京ICP备14006079号-1  网络出版服务许可证：(署)网出证(京)字第075号

AI
小
编
AI小编
你好！我是《中华医学电子期刊资源库》AI小编，有什么可以帮您的吗？