近日，湖南师范大学动物多肽药物创制国家地方联合工程实验室王颖教授课题组在方法学领域知名期刊《Small Methods》（影响因子8.7）发表题为“A Retrospective Benchmark of Quantitative Antimicrobial Peptide Activity Prediction Tools”的研究论文。该研究对10款公开可用的抗菌肽最低抑菌浓度（MIC）定量预测工具进行了系统的回顾性基准测试，清晰刻画了当前AI驱动定量模型在“开箱即用”场景下的真实性能边界。论文共同第一作者为乐健达、唐昭阳、李渫，刘中华教授、王颖教授为共同通讯作者。

抗菌肽被视为应对全球抗生素耐药性危机的关键候选分子，能够直接从序列预测其最低抑菌浓度（MIC）的AI定量模型，被视为指导抗菌肽理性设计的有力工具。然而，这些工具在脱离自身训练数据后是否依然可靠，此前缺乏独立、系统的评估。针对这一空白，研究团队构建了来源于近期文献的外部基准数据集，并同时重建了各工具的原生数据集，从绝对MIC回归精度、回顾性、可重复性、方向性预测模式、排序能力以及虚拟筛选富集五个维度，对涵盖经典机器学习与当代深度学习的10款定量预测工具进行了全面考察。

研究得出的核心结论具有明确的实践指向：多数已发布工具的绝对MIC回归性能和外部迁移能力均不理想，但部分工具在相对排序与虚拟筛选富集方面仍保有实用价值。这意味着，当前定量抗菌肽预测工具更适合作为早期筛选的“过滤器”，用于从大规模序列库中富集有希望的候选分子，而非替代实验MIC测量来做出精确的活性判断。此外，回顾性评估还揭示了不同工具在实现层面的可重复性存在显著差异，误差分层分析则发现预测误差与肽段残基组成之间存在系统性关联，且所有工具普遍存在预测活性范围被“压缩”的现象。

该研究不仅为抗菌肽设计领域提供了一份实用的工具选择与验证参考，也为后续定量预测模型的开发指明了改进方向：提升外部泛化能力、校准预测值的绝对尺度，以及增强实现的可重复性，应成为下一阶段模型优化的优先事项。

文章链接：https://onlinelibrary.wiley.com/doi/10.1002/smtd.71137