《Nature Communications》：CycloPepper: a machine learning platform for predicting cyclization outcomes and optimizing synthesis of therapeutic cyclopeptides
编辑推荐：
为解决环肽（cyclic peptides）合成中环化位点选择困难、收率低下的难题，研究人员开展了“机器学习预测环肽环化结果与优化合成”的主题研究。他们利用全自动合成平台CycloBot构建了包含306个环肽的标准数据集，开发出平均预测准确率达84%的机器学习模型，并实验验证了86%的预测一致性。最终构建了用户友好的CycloPepper平台，可快速评估环化位点，有效识别针对癌症生物标志物等疾病靶向肽的潜在环化位点，展现了机器学习辅助合成在简化环肽合成、加速治疗药物发现方面的巨大潜力。
环肽凭借其出色的稳定性、膜渗透性和结合亲和力，已成为一类极具前景的治疗药物候选者。然而，通往成功的道路并非坦途，尤其是在合成环节。对于这类肽类药物，头尾环化是其合成的关键步骤，但环化反应的成功率却常常不尽人意，其中一个核心挑战在于如何精准选择环化位点。传统的试错方法不仅耗时耗力，而且成功率难以保证，这严重制约了环肽药物的研发效率与规模化生产。因此，发展一种能够理性预测、高效指导环肽合成的新策略，成为了领域内亟待突破的瓶颈。
为了应对这一挑战，研究团队将目光投向了人工智能与自动化技术的交叉前沿。他们开展了一项旨在利用机器学习预测环化结果、并优化治疗性环肽合成的研究，相关成果发表在了《Nature Communications》期刊上。这项研究的核心目标是建立一个数据驱动的智能框架，以标准化的实验数据训练机器学习模型，从而实现对环肽合成成功率的准确预判，并最终将这一能力转化为可供科研人员便捷使用的实用工具。
研究人员为开展此项研究，主要运用了以下几个关键技术方法：首先是构建并运行了全自动的环肽合成平台CycloBot，该系统能够高通量、标准化地完成从线性肽到环肽的合成与纯化过程。利用CycloBot，他们生成了一个包含306个不同长度（2至14个残基）环肽的标准化数据集，这是后续模型训练的基础。其次，基于此数据集，他们开发并训练了机器学习模型，用于分析肽序列特征与环化成功与否之间的复杂关系。最后，为了验证模型的实用性并方便广大研究者使用，他们将模型整合并构建成了名为CycloPepper的用户友好型平台，该平台提供网页与软件两种交互界面。
主要研究结果如下：
构建标准化环肽数据集与机器学习模型
研究团队利用其自主研发的全自动合成平台CycloBot，系统性地合成了306个环肽，建立了当前领域内一个规模可观且质量可控的标准数据集。基于这一数据集，他们成功训练出了一个机器学习模型。该模型在预测环肽环化结果时，展现出了平均84%的预测准确率。
模型预测效果的实验验证
为了评估模型的可靠性与泛化能力，研究人员选取了74个随机肽段以及具有治疗潜力的肽段进行实验合成验证。结果显示，模型的预测结果与实际合成结果之间的一致性达到了86%，这一高吻合度有力地证明了该机器学习模型具有良好的预测效能和应用前景。
开发用户友好的环肽合成预测平台CycloPepper
为了让研究成果能够直接服务于科研与药物发现一线，团队开发了CycloPepper平台。该平台设计简洁易用，研究者只需输入目标肽的氨基酸序列，即可快速获得对其潜在环化位点的评估与预测，极大简化了环化方案设计的流程。
平台在疾病靶向肽设计中的应用
研究进一步展示了CycloPepper平台在现实药物研发场景中的价值。利用该平台，研究人员成功地对一系列靶向疾病（包括癌症）相关生物标志物的肽段进行了环化位点分析，有效识别出了其中具有较高成功潜力的环化方案，为后续的活性优化与合成提供了关键指导。
归纳研究结论与讨论部分，本研究成功地将机器学习与自动化合成技术相结合，为解决环肽合成中的环化难题提供了一条创新路径。通过CycloBot平台生成标准化大数据，训练出的机器学习模型能够以较高精度预测环化结果。由此构建的CycloPepper平台则将这一预测能力产品化、工具化，使得科研人员能够便捷、快速地进行环化位点理性设计，摆脱了对经验与运气的过度依赖。这项工作不仅显著提升了环肽合成的可预测性与效率，更打通了从序列设计到高效合成的关键环节，对加速治疗性环肽，尤其是针对癌症等重大疾病的靶向肽药物的发现与开发进程，具有重要的推动作用。它展示了人工智能辅助合成在生物医药领域，特别是在复杂生物大分子药物制造中的巨大应用潜力和广阔前景。
