编辑推荐：
这篇综述系统探讨了机器学习（ML）和深度学习（DL）在抗菌肽（AMP）预测与生成中的关键作用，揭示了其通过处理复杂生物数据加速药物发现的潜力，同时指出数据稀缺和模型假阳性（如随机序列被误判为AMP的概率达0.5–100%）等挑战，强调需结合实验验证提升模型可靠性。
抗菌肽（AMP）作为对抗抗菌素耐药性（AMR）的新兴武器，凭借其独特的膜破坏机制和低耐药性风险，成为研究热点。然而，传统实验方法耗时耗力，难以应对大规模肽库筛选需求。机器学习（ML）和深度学习（DL）的引入，为AMP的高通量预测与设计提供了革命性工具。
AMP通过物理破坏微生物细胞膜或干扰代谢通路发挥杀菌作用，其多靶点特性显著降低耐药性发展概率。但实验验证AMP需经历繁琐的合成与活性测试，成本高昂。计算生物学方法应运而生，ML/DL模型通过分析序列-活性关系，实现了AMP的快速虚拟筛选。
本研究旨在评估现有AMP预测模型的效能与局限。研究者生成随机20氨基酸肽序列，输入多个训练好的ML模型（如神经网络）进行AMP分类测试，以检验模型鲁棒性。
ML模型（尤其是深度神经网络）展现出强大的模式识别能力，可预测新分子的生物活性。然而，两大瓶颈凸显：一是高质量实验验证数据集稀缺，导致模型训练不足；二是假阳性率高，随机序列被误判为AMP的比例从0.5%至100%不等，暴露了过拟合和泛化性差的缺陷。例如，某些模型对无意义序列仍输出高置信度AMP分类，提示特征提取可能存在偏差。
提升模型性能需三管齐下：扩充经实验验证的AMP数据集、整合肽的3D结构（如α螺旋/β折叠）与功能域信息优化算法、建立ML预测与湿实验验证的闭环反馈机制。唯有计算与实验双轨并行，才能释放AMP在抗击AMR中的全部潜力。
（注：全文严格基于原文内容缩编，未添加非原文信息。）
生物通微信公众号
生物通 版权所有
