原文作者：Wei Z, Ektefaie Y, Zhou A, et al.
發表於：bioRxiv, 2026年3月12日

摘要

Fleming是由哈佛大學等機構開發的用於結核病抗生素發現的整合性AI智能體。該系統通過中央藥物化學家智能體協調四個專業子智能體，整合9個分子AI模型與11個工具，實現從分子生成、活性預測、ADMET優化到文獻推理的端到端工作流。

在435個分子的前瞻性驗證中達到83%命中率，6個從頭設計的生成分子經濕實驗驗證全部顯示Mtb抑制活性（100%命中率），其中4個具備適合進入hit-to-lead項目的藥代動力學特性。

核心數據

  • 前瞻性驗證命中率：83%
  • 從頭設計命中率：100% (6/6)
  • 富集提升：17-83倍
  • hit-to-lead候選：4/6分子

1. 背景：結核病抗生素發現的挑戰

耐多藥結核分枝桿菌（MDR-Mtb）在2022年導致約16萬人死亡，占全球抗菌素耐藥性死亡總數的13%以上。數學模型估計，近1900萬人攜帶潛伏性MDR-TB感染，面臨進展為活動性疾病的風險。

在此背景下，Fleming應運而生——這是一個由哈佛大學、Broad研究所、FutureHouse和Texas A&M等機構合作開發的AI驅動多領域平台，旨在加速下一代結核病抗生素的發現。

2. 技術架構與方法

2.1 智能體架構

Fleming採用分層智能體架構，由一個中央"藥物化學家智能體"協調四個專業子智能體：Mtb生長抑制智能體、分子生成智能體、ADMET智能體和分子優化智能體。各子智能體可直接訪問9個分子AI模型和11個工具。

2.2 核心AI模型

抑制預測模型基於有向消息傳遞神經網絡（DMPNN），在114,933個多樣化化合物和片段上進行訓練。模型AUROC從0.76提升至0.79。

2.3 ADMET預測與分子優化

ADMET智能體整合了37個獨立的DMPNN模型，數據來源於Therapeutics Data Commons（TDC）。優化後，預測失敗超過25% ADMET任務的比例從42.5%顯著降至5.0%。

3. 濕實驗驗證結果

3.1 抑制預測前瞻性驗證

研究團隊對435個結構多樣化分子進行前瞻性驗證。濕實驗結果顯示，5個預測的抑制劑確實抑制Mtb生長（83.3%命中率），382個預測的非抑制劑確實無抑制活性（89.0%正確率）。實現了17-83倍的富集提升。

3.2 從頭生成設計驗證

100%命中率的里程碑

全部6個分子均以劑量依賴方式抑制mc2-7000 Mtb菌株生長，EC50範圍為3.6 µM至75.4 µM。這一結果隨機發生的概率極低（假設隨機命中率1-5%，則概率 < 10^-10 至 10^-6）。

3.3 毒性與藥代動力學評估

6個候選分子中，5個顯示無至低細胞毒性。綜合中等至高選擇性、良好的安全性和PK特性，6個生成分子中4個達到適合進入hit-to-lead項目的水平。

4. 討論

4.1 技術貢獻與意義

Fleming代表了智能體框架在抗生素發現中的首次端到端驗證。100%的生成設計命中率和17-83倍富集提升表明，整合分子生成、性質優化和文獻推理的智能體方法能夠顯著加速臨床前先導物識別。

4.2 局限與待驗證問題

4.3 與相關工作的比較

與SyntheMol等基於片段的生成方法相比，Fleming的擴散模型探索的化學空間更廣、新穎性更高。與近期發表的Latent-Y相比，Fleming聚焦小分子抗生素，兩者在各自領域展示了智能體框架的價值。

5. 結論

Fleming作為經濕實驗驗證的整合性抗生素設計智能體，展示了從化學空間探索到臨床前候選物識別的端到端能力。其100%生成設計命中率和17-83倍富集提升表明，智能體框架能夠有效協調分子AI模型、優化工具和文獻知識，加速早期藥物發現。

Fleming應被視為對傳統藥物發現流程的補充而非替代，其真正價值在於加速早期先導物識別階段，為後續的藥物化學優化與臨床開發提供高質量起點。

參考資料

← 返回博客列表