MAC-AMP：面向多目标抗菌肽设计的闭环多智能体协作系统

为应对抗菌药耐药性这一全球健康威胁，抗菌肽（AMP）因对抗耐药病原体的强效潜力而受到探索。尽管人工智能（AI）正被用于推进 AMP 的发现与设计，多数 AMP 设计模型难以平衡活性、毒性和新颖性等关键目标，所用评分方法僵化或含糊，使结果难以解释和优化。随着大语言模型（LLM）能力快速进步与演化，我们转向基于此类模型的 AI 多智能体协作（multi-agent LLMs），其在复杂科学设计场景中潜力迅速上升。基于此，我们提出 MAC-AMP，一个面向多目标 AMP 设计的闭环多智能体协作（MAC）系统。该系统实现完全自主的模拟同行评审-自适应强化学习框架，只需任务描述和示例数据集即可设计新型 AMP。本工作的新颖之处在于引入了面向 AMP 设计、具跨域可迁移性的闭环多智能体系统，支持多目标优化且保持可解释而非“黑箱”。实验表明，MAC-AMP 通过对多个关键分子性质的有效优化超越其他 AMP 生成模型，在抗菌活性、AMP 相似性、毒性合规和结构可靠性上表现卓越。