Chemical Reviews 2026: 膜活性抗菌多肽的结构、相互作用与组装 (下)

今天介绍的是发表在 Chemical Reviews 上的一篇综述,主题聚焦膜活性抗菌多肽的结构,相互作用与组装。随着细菌耐药性不断加剧,传统抗生素面临越来越大的挑战,抗菌肽因能够直接作用于微生物膜而受到广泛关注。文章从AMPs的发现与分类出发,进一步讨论其膜选择性,膜破坏机制以及常用模型膜体系,梳理了多肽与脂质膜相互作用中的关键分子事件,也展示了生物物理技术在解析这一复杂过程中的重要作用。

Lee, T.-H.; Charchar, P.; Sani, M.-A.; Le, D.-H.; Le, T. C.; Yarovsky, I.; Separovic, F.; Aguilar, M.-I. Structure, Interactions, and Assembly of Membrane-Active Antimicrobial Polypeptides. Chem. Rev. 2026. https://doi.org/10.1021/acs.chemrev.5c00994.

7 机器学习与人工智能

7.1 机器学习模型概述

机器学习（ML）提供了一种补充的计算手段，用于研究抗菌肽（AMPs）。受人类经验学习的启发，机器学习使计算机能够识别数据中的模式，并将这些知识用于预测或生成新信息。通过将大量原始生物数据转化为可操作的见解，机器学习已成为分析肽序列等复杂信息的重要工具。在AMP研究中，机器学习主要应用于两大领域：预测建模和生成建模。预测模型（包括分类和回归）用于预测肽是否具有抗菌特性，或估计毒性和活性等属性；通常单一模型架构可同时执行两类任务。相比之下，生成模型旨在设计全新的肽序列，以满足特定生物学标准，从而加速新型治疗肽的设计与发现。

图50|AMPpred-MFA堆叠架构概览。

7.1.1 预测模型

7.1.1.1 传统机器学习

在预测任务中，传统机器学习模型因可解释性、效率和适用于小数据集而备受青睐。这些模型可以揭示特定特征对AMP活性的贡献，有助于生成生物学见解和假设。其计算需求相对较低，便于早期筛选。最简单的线性模型（如线性回归或逻辑回归）通过输入特征的加权和预测输出，能够揭示每个特征的直接影响，但对肽数据中常见的复杂非线性关系适应性较差。k近邻（KNN）通过参考最近的k个数据点进行标签分配或取平均值，适合低维数据，但对k值和特征选择敏感。支持向量机（SVM）适用于线性和非线性数据，通过寻找高维空间中最优分割超平面进行分类，其回归版本支持预测连续值。基于树的模型如决策树通过递归分割特征进行操作，单棵树易解释但容易过拟合，集成树方法如随机森林（RF）、Extra Trees以及梯度提升（GB）、LightGBM和XGBoost通过并行或序列化构建树，提高准确性和稳健性，是AMP预测中广泛使用的方法。

表4|三条最佳候选肽（所有浓度均为 μg/mL）。

7.1.1.2 深度学习

深度学习模型在AMP预测中表现优于传统方法。它们能够发现肽序列中微妙的特征，尤其在大数据集上往往超过传统模型，但需要高计算资源，且通常被视为黑箱模型。基础架构包括多层感知机（MLP）、卷积神经网络（CNN）、循环神经网络（RNN）及其变体（LSTM、BiLSTM、GRU）、Transformers和图神经网络（GNNs）。CNN适合处理高维输入，通过局部特征和空间层次结构捕获模式；RNN适合序列数据，但易出现梯度消失或爆炸，需LSTM/GRU改进；Transformers利用自注意力机制并行处理全序列，高效捕捉长程依赖；GNN将深度学习拓展到非欧几里得结构，如将每个氨基酸作为节点、键或距离作为边，用于综合序列与三维结构信息。

7.1.2 生成模型

生成建模能够设计具有特定生物活性的肽序列，尤其是抗菌活性。常用深度学习模型包括神经语言模型（NLMs）、变分自编码器（VAEs）、生成对抗网络（GANs）和扩散模型。NLM将肽序列视为生物语言，通过上下文预测下一个氨基酸；VAEs通过编码-解码过程在潜在空间生成新序列；GANs通过生成器和判别器对抗训练生成现实序列；扩散模型通过逆向去噪过程生成序列，可实现结构和功能的可控设计。

7.2 抗菌肽数据库

开发AMP机器学习模型的关键是获取高质量数据库。当内部数据不可用时，可使用dbAMP、DRAMP、DBAASP等公共资源，提供肽序列、来源、理化性质及实验验证信息。部分数据库专注于特定类型的肽，如AVPdb（抗病毒肽）、ParaPep（抗寄生虫肽）、Hemolytik（溶血肽）。3D结构可通过MD模拟或深度学习模型（如AlphaFold2、ESMFold）生成，或从蛋白质数据银行获取。但这些数据库通常缺乏肽-膜相互作用信息，为此开发了SuPepMem数据库，包含52种AMP与6类生物相关膜模型的400余个MD模拟数据，并提供双层厚度、肽插入深度及接触频率等描述符，使ML模型可同时考虑序列和膜相互作用数据，提高预测的生物功能相关性。

表5|四条低溶血性AMP候选肽的MIC值（μg/mL）。

7.3 机器学习模型中的肽表征

从肽序列直接提取特征是准备ML模型输入的关键。特征可在原子或肽水平开发。分子级描述符包括组成、拓扑及几何特征，较少用于肽研究。肽级特征更常用，将氨基酸视为最小单元，采用一热编码、整数编码或序列组合特征（AAC、PAAC、APAAC、PseKRAAC）捕获序列模式，并可结合理化性质（电荷、疏水性），通过工具计算或数据库获取，或用Z-scale和QSOrder等描述符编码序列顺序效应。高级特征如自相关（Moran、Geary、NMBroto）及CTD捕获残基间关系，进化特征（BLOSUM62、PSSM、HMM）和预测结构特征进一步增强生物相关性。自然语言处理技术产生的嵌入方法（Word2Vec、BERT）可将序列表示为连续向量，动态学习复杂模式。预训练蛋白语言模型（如ESM-2、ProtBERT-BFD、TAPE-BERT、SeqVec）在AMP表征中尤其有用，可迁移大规模数据的知识，用于下游任务。结合MD模拟提取的膜相互作用信息（如SuPepMem提供的插入深度、角度、接触频率、电荷和疏水偶极矩），可提供更丰富的功能性表征，帮助ML模型预测膜特异性并指导AMP的选择性设计。

表6|近期AMP回归模型概览，包括模型目标、模型架构、数据集规模、输入特征及主要研究结果。

7.4 机器学习应用

7.4.1 AMP分类

分类任务将肽按一般AMP、特定功能（抗菌、抗真菌）或更广泛生物活性分组。该方法适用于活性受环境高度影响的情况，通过关注类别而非绝对值来管理实验测量的变异性。常见方法包括传统ML、深度学习和Transformer。传统方法如IAMPE结合理化和NMR特征，XGBoost在基准数据集上达到95%准确率；深度学习模型（CNN、BiLSTM、Transformer）可自动学习复杂序列模式，实现高效预测。GNN模型（如esm-AxP-GDL）将3D结构纳入学习，可捕获序列编码的内在折叠倾向，提升膜相互作用相关的预测能力。机制驱动的ML方法（Li等，2025）进一步引入膜接触概率、α螺旋结构及寡聚潜能，用于预测孔形成AMP。

表7|三条新鉴定AMP的抗菌活性与毒性（单位：μg/mL）。

7.4.1.2 特定病原体活性

ML也用于识别针对特定微生物的肽。如抗菌肽（ABPs）可通过DeepABPpred结合Word2Vec特征和BiLSTM识别，化学合成验证显示对多种细菌具有高效活性。对抗病毒肽（AVPs）和抗真菌肽（AFPs）则利用深度学习模型（DeepAVP、Deep-AVPpred、Deep-AFPpred、DeepAFP）直接从序列学习，无需手工特征工程。多功能分类工具（iAMPCN、TransImbAMP、AMPDiscover）可同时预测多种功能活性，通过CNN、Transformer或RF结合序列及理化特征实现。

表8|新型抗真菌肽（AFP），对至少一种测试真菌菌株的MIC值低于10 μM（值<10 μM以粗体显示）。

7.4.2 AMP性质预测

回归模型用于预测连续变量，如最小抑菌浓度（MIC）。任务复杂度高，需要严格的数据整理。对抗菌活性，Huang等（2023）利用多阶段ML流程筛选5120亿肽序列，验证了三种六肽具有广谱抗菌活性；Yan等（2023）提出MBC-Attention结合多分支CNN和注意力机制，实现对E. coli的MIC预测并增强解释性。对抗真菌活性，Zhang等（2022）结合SVM和SVR模型筛选超过300万候选肽，识别16条高效肽。孔形成能力预测中，Teijlingen等（2024）采用主动学习结合MD和回归模型预测25.6亿八肽序列的膜破坏潜力，最终识别71条候选肽，其中部分经实验验证形成稳定孔。多属性预测方面，Chang等（2023）开发多输出PLSR模型预测α/β肽的MIC、IC50及HC10，并计算广谱选择性指数（BSI），揭示了肽的理化设计规律，如中等疏水性、高阳电荷、ααβ骨架模式及低螺旋刚性对应高抗菌活性和低哺乳动物毒性，其中顶级候选肽KXKβYKLβWβLK BSI提升超过13倍。

图51|用于发现孔形成肽的主动机器学习工作流程 ：(A) 生成完整的208条序列空间； (B) 选定肽通过MD模拟评估膜穿透能力； (C) 通过脂质占据面积（area per lipid）对孔形成能力进行评分； (D) 将评分反馈至模型；(E) 经过7次迭代后，对排名靠前的候选肽进行实验验证。

7.4.3 AMP生成

AMP生成是指通过学习现有AMP数据中的模式来创建新的肽序列。该过程通常被整合到多步骤流程中，新生成的序列随后会通过分类或回归模型进行评估，以优先筛选出具有理想性质、适合实验验证的候选肽。此外，近期方法还引入了条件生成技术，使设计过程能够朝特定目标性质定向推进，例如低毒性、窄谱活性或对特定靶标生物的选择性。表9概述了最新应用于AMP生成的模型。

表9|近期AMP生成模型概览，包括模型目标、模型架构、数据集规模、输入特征及主要研究结果。

7.4.3.1 神经语言模型

由于标准RNN容易出现梯度消失和梯度爆炸问题，因此并不常用于序列生成。Capecchi等（2021）使用带GRU的RNN作为嵌入层，分别开发了针对革兰氏阳性菌和革兰氏阴性菌的生成模型。该方法还结合了两个同样基于RNN的分类器，用于预测抗菌活性和溶血性，最终成功设计出兼具抗菌活性和低溶血毒性的短AMP。在生成的50000条序列中，研究者根据预测活性、非溶血性和结构多样性筛选出28条肽。实验测试证实，其中12条肽对铜绿假单胞菌、鲍曼不动杆菌和MRSA具有活性，且其中8条肽同时表现为非溶血性。研究还报道了这些肽对大肠杆菌的额外活性。两条最有前景的肽（AKRIRKLIKKIFKKI和FLKAVKKLIPSLF）表现出广谱活性和膜破坏机制，说明机器学习能够有效生成新的安全AMP。

AMP设计的最新进展利用基于Transformer的生成模型探索庞大的肽序列空间。AMPTrans-lstm模型结合LSTM和Transformer架构，以平衡序列有效性（LSTM）和新颖性（Transformer），从而生成多样化AMP。其模块化设置提高了灵活性，并改善了有限数据条件下的性能，但训练复杂性和序列质量之间的权衡仍然是挑战，尤其是Transformer在小数据集上的不稳定性。相比之下，MoFormer采用条件Transformer和多目标优化，结合丰富的描述符与基于Pareto的筛选策略，生成具有优化性质的AMP，例如较高抗菌活性和低毒性。MoFormer在多属性情境中提供了更强的控制能力和性能，但需要更多计算资源和复杂调参，同时其优化效果依赖于代理预测器的质量。

表10|12条表现最佳肽的抗菌活性（MIC）与溶血性（MHC）概况（单位：μg/mL）。 非溶血性肽以粗体表示。

7.4.3.2 变分自编码器

Dean和Walper（2020）以及Dean等（2021）均使用带LSTM编码器的VAE来捕捉AMP中的序列依赖关系，但两项研究在范围和精细程度上有所不同。2020年的研究提供了概念验证，通过在已知活性序列附近生成肽，或在活性与非活性序列之间插值，得到9条肽。针对大肠杆菌、鲍曼不动杆菌和金黄色葡萄球菌的测试显示，位于活性区域附近的9条肽中有7条表现出强活性，证明模型学习到了有意义的序列-活性关系。2021年的研究在此基础上引入了PepVAE，这是一个更先进且模块化程度更高的框架，结合MIC预测用于病原体特异性AMP生成。在38条合成肽中，25条肽对大肠杆菌、金黄色葡萄球菌和铜绿假单胞菌表现出确认活性（MIC≤128μM）。虽然两个模型共享相同架构，但PepVAE提高了准确性，增强了肽的多样性，并提升了靶标特异性，使研究重点从一般AMP生成转向更定向的抗菌设计。

VAE的扩展形式在AMP设计中也显示出潜力，尤其是条件变分自编码器（CVAEs）和Wasserstein自编码器（WAEs），它们能够面向特定生物学性质进行生成。CVAEs将肽活性等条件直接纳入训练过程，引导模型生成具有目标功能的序列。例如，Szymczak等（2023）开发了基于CVAE的HydrAMP模型，能够生成新的AMP和改造后的AMP，并在实验室测试中达到96%的成功率。相比之下，WAEs通过最大均值差异等基于最优传输的度量改善潜在空间结构。Das等（2021）将WAE与条件潜在空间采样结合，在训练后生成具有特定性质的肽。研究者从近90000条候选序列中识别出两条广谱肽（YLRLIRYMAKMI-NH2和FPLTWLKWWKWKK-NH2），它们对多重耐药病原体表现出强活性和低毒性。这两条肽还被证明可通过孔形成破坏细菌膜，并且与传统抗生素不同，在反复暴露后不会诱导大肠杆菌产生耐药性。

图52|AMPTrans-lstm的开发工作流程。

7.4.3.3 生成对抗网络

GAN在AMP生成中显示出很强潜力，其扩展形式如条件GAN（CGAN）和双向条件GAN（BiCGAN）能够利用额外条件实现有引导的序列生成。还有一些GAN变体专门面向序列任务设计，可能更适合AMP生成。序列GAN（SeqGAN）通过蒙特卡洛搜索和策略梯度训练生成器，能够有效处理离散数据。在Cao等（2023）的研究中，SeqGAN以8225条已知AMP序列为训练集生成新的候选肽，随后使用分类器进行过滤，并通过MD模拟评估稳定性。研究者合成了6条肽，其中A-222（DTFGRCRRWWAALGACRR-NH2）表现出广谱抗菌活性，并通过NMR和CD光谱证实其具有α螺旋结构。随后，基于实验测试指导的定向氨基酸替换对A-222进行类似物设计，使其对嗜麦芽窄食单胞菌和铜绿假单胞菌等耐药菌株的抗菌效力最高提高了8倍。

SeqGAN的已知局限之一是反馈延迟，即生成器只有在完整序列生成后才能获得奖励。LeakGAN通过提供中间反馈解决这一问题，从而改善长序列学习。Tucs等（2020）在此基础上开发了PepGAN，并将活性预测器整合到奖励函数中，以优先生成具有生物活性的肽。在10000条生成序列中，排名前6的肽被合成并用于大肠杆菌测试，其中5条表现出抗菌活性，1条的MIC达到3.1μg/mL，效力为氨苄青霉素的两倍。这突出说明，将生成建模与任务特异性反馈和后处理相结合，有利于产生功能和结构上都具有潜力的AMP。

表11|顶级AMP候选肽的EC50值。 数值单位为μg/mL，来源于三重复实验计算。

7.4.3.4 扩散模型

AMP生成的最新进展由基于扩散的模型推动，多项近期研究显示其相较早期方法有显著改进。2024年，Chen等提出AMPDiffusion，该方法使用去噪扩散概率模型（DDPM）将肽序列编码到潜在空间中，加入噪声，并训练由ESM-2注意力层和MLP组成的去噪器来逆转这一过程。AMPDiffusion的困惑度低于HydrAMP和AMPGANv2，这意味着它生成的氨基酸序列在统计上更接近已知AMP，同时也提高了序列多样性和被分类为抗菌肽的比例。一个值得关注的问题是，虽然研究报告称训练所用约19.5万条肽来自dbAMP、DRAMP和AMPScanner，但并未说明各来源的相对贡献。考虑到dbAMP和DRAMP的已知规模，很可能相当一部分序列来自AMPScanner，而AMPScanner是一个基于预测的资源，并非实验资源。因此，训练数据中可能有很大比例是计算预测肽，这可能引入预测器特异性偏差，使模型学习到并不一定反映真实抗菌活性的序列模式。因此，与仅使用实验验证数据集训练生成模型相比，这种方法的严谨性较弱。尽管如此，该研究仍具有较高参考价值，因为它是较早探索基于扩散架构进行AMP生成的尝试之一。

从方法学角度看，标准扩散模型的局限在于将所有氨基酸关系同等对待，从而忽略重要的结构相互作用。为解决这一问题，能量约束扩散引入了基于氨基酸相互作用强度的生物学约束。Diff-AMP框架在此基础上进一步发展，将能量约束扩散与强化学习结合到RLGen系统中，通过生成器和判别器迭代优化序列。Diff-AMP包含四个阶段：序列生成、AMP分类、多属性预测，以及面向用户定义性质的优化，从而实现高效且定制化的AMP设计。另一种方法由Wang等开发，称为多模态对比扩散（MMCD），它整合序列和3D结构数据，以生成稳定性、治疗潜力和结构质量更高的肽。MMCD在对接性能和结构指标方面优于AMPGANv2和HydrAMP，包括Ramachandran评分和RMSD，显示出其在结构感知治疗肽设计中的有效性。

表12|PepGAN生成的五条最佳肽的抗菌活性（MIC,μg/mL）。

7.5 挑战

尽管ML方法在AMP研究中表现出较强的预测性能，但可解释性仍然是一个挑战。传统ML模型通常比深度学习方法更具可解释性，但这一优势主要限于线性回归或决策树等简单模型。更复杂的模型，包括集成树方法和深度神经网络，往往以牺牲透明度为代价获得更高预测能力。为解决这种权衡，已有多种事后可解释性方法被提出，用于通过将模型输出归因于单个输入特征来近似解释训练后模型的预测，例如SHapley加性解释（SHAP）和局部可解释模型无关解释（LIME）。基于Transformer的模型具有部分优势，因为它们能够提供注意力分数，显示模型重点关注哪些残基。近年来，研究还集中在开发内在可解释模型，例如广义加性模型，或将解释模块直接整合到神经网络中。这些方法具有前景，可能帮助获得关于AMP-膜相互作用的更深层机制见解。

从评估角度看，当前AMP机器学习实践中的多个方面可能使报告的准确率产生偏差，导致真实应用性能被系统性高估。其中一个主要偏差来源是分类任务中的负样本选择。在提出新的ML框架时，直接进行模型间比较可能具有误导性，因为性能强烈依赖于负样本采样策略，使所谓最先进性能的主张不够可靠。为解决这一问题，新框架应在多个负采样情境下进行评估，而不是仅依赖单一基准。另一种公平比较方式是让模型在相同数据集上训练。负样本选择也会影响实际适用性。由于实验验证数据有限，负样本常从UniProt等大型数据库中选取，依据是缺乏已报道的抗菌活性，但这类肽并不一定真正无活性。此外，当负样本与活性肽差异过大时，模型可能通过利用表面序列差异获得人为偏高的性能，而非学习有意义的生物学机制。一些研究采用基于实验测量MIC值的标注方案，同时标注活性肽和非活性肽；尽管使用了研究特异性的MIC阈值，这类设置通常用于为分类提供更可靠的标签。

另一个重要局限来自实验条件的异质性。公共AMP数据库汇集了不同研究和实验室在多种实验方案与条件下生成的数据，带来了显著的标签噪声，并降低模型稳健性。理想情况下，在同一研究中、相同实验条件下生成的数据集上训练和验证模型，能够提供更可靠的性能估计；但这类策略通常需要大量实验工作，因此实施难度较高。

结构偏倚是当前基于序列的AMP发现ML模型的根本局限。许多训练数据集以α螺旋肽为主，导致模型学习结构依赖性特征，而不是可泛化的机制。因此，预测性能和特征重要性可能随结构类别而变化。为减轻这一问题，应在训练前对数据集进行审查，包括预测二级结构、量化不同标签中的结构分布，并可视化类别不平衡情况。还需要结构感知的评估策略，包括分层性能报告和结构特异性错误分析，以避免将结构驱动的序列模式误解为可泛化的生物学原则。与结构偏倚类似，其他非预期混杂因素也可能影响模型预测，使完美准确率几乎不可能实现。尽管基础模型和生成方法在设计可实验合成、活性增强且具有广谱抗菌作用的肽方面显示出前景，实验验证仍是确认其生物学相关性和真实应用价值的必要步骤。

图53|利用AMP与其他抗微生物剂组合增强抗生素效力的可能策略，通过AMP介导的膜破坏机制实现。

8 结论：定义AMP活性景观中的挑战

设计具有理想结构性质、能够产生最佳治疗效果的AMP，一直是大量研究的目标。尽管短杆菌肽和多黏菌素早在1955年就获批用于局部治疗，但此后真正获批用于治疗的AMP数量仍然极少，而且仅限于局部用药。设计具有窄谱抗微生物感染活性、同时对宿主细胞毒性最低的新AMP，仍然是一个重大挑战。这主要是因为AMP作用于细菌细胞和哺乳动物细胞时，其靶位点都是膜脂，因此要实现完全特异性十分困难。传统药物设计即使缺少靶受体或酶的结构，也可能获得高活性先导化合物；而在AMP设计中，由于脂质组装具有动态性，脂质膜靶标甚至可能在结合事件发生的时间尺度内发生变化。即便目前已经较深入地了解AMP作用机制的分子基础，关于AMP自身发生的结构变化掌握得更多，但对AMP结合过程中膜双层脂质排列如何变化、这些变化如何影响膜及膜内组分承担的其他功能，以及这些变化如何与活性相关，了解仍明显不足。因此，当前定义的AMP作用机制主要围绕AMP结构和性质建立，而对脂质双层性质关注较少；这些脂质双层性质也主要来自模型体系。造成这一信息缺口的因素很多，并且与缺乏相关技术密切相关，包括难以精确表征天然膜的脂质组成，难以在生理条件下确定脂质双层结构，难以同时测量AMP结合和膜结构变化，以及难以追踪局部相互作用与整体生理过程之间的耦合关系。

AMP分析的多方面工作流程？

鉴于AMP-膜相互作用具有复杂的多步骤特征，显然需要采用多种技术组合的多方面方法，才能完整定义所谓AMP活性景观，并以此作为应对挑战的新策略。虽然尚无任何AMP接受过综述中所述全部技术的研究，但maculatin已经被广泛利用多种生物物理技术进行研究，覆盖从模型体系到活细胞的不同层面。早期基于模型膜的研究认为，根据浓度不同，maculatin1.1的相互作用可分为若干步骤：优先靶向阴离子膜；从无结构状态转变为螺旋组装体；在膜界面聚集；转位进入膜疏水核心并改变脂质动力学；通过与孔形成事件一致的分子机制释放颗粒。技术和方法学进步带来了新的认识层次。例如，近期使用天然来源大肠杆菌膜脂的研究显示，膜破坏事件会导致显著起泡；与maculatin1.1孵育的大肠杆菌细胞在达到抑制浓度之前已经出现细胞内摄取；核酸等次级靶标也受到影响，并很可能参与杀菌机制。这些发现突出了实验进展如何揭示AMP与细菌之间复杂的相互作用。然而，潜在受影响的细胞事件数量庞大，包括上游、下游和非特异性相互作用，仍可能继续限制AMP的临床开发。宿主体内的微生物感染仍无法通过生物物理研究直接进入，因而难以在原位以分子分辨率确定AMP如何发挥作用。随着从模拟到人工智能的计算方法出现，这些障碍有望通过将各种方法整合到协同框架中而被克服，从而回答以下机制问题。

第一，为什么肽在水溶液中无结构，却会在膜中折叠？第二，AMP与膜的结合在启动折叠过程中有多重要？第三，AMP和靶膜的哪些结构特征决定了相互作用-折叠过程，并进一步导致膜结构失稳？第四，既然多种机制都可能导致膜破坏，究竟哪一种机制占主导？

这些问题的答案将进一步推动更具转化意义的目标，包括应对以下挑战。第一，能否利用不同裂解机制，通过一种AMP预处理脂质膜，从而降低第二种抗微生物化合物的MIC，正如近期在抗真菌应用中所展示的那样？第二，从模型体系中推导出的作用方式是否与原位机制相关？第三，调控一级序列与抗菌活性关系的关键参数是什么？第四，在保留微生物组益处的同时，控制微生物感染和获得性耐药的最佳策略是什么？

多项技术的发展为深入理解AMP-膜相互作用铺平了道路。NMR在记录AMP在膜环境中的结构变化方面发挥了核心作用，固态NMR则推动了对磷脂动力学进行原子分辨率详细分析。能够同时测量AMP结合和脂质双层结构变化的光学生物传感器取得进展，为理解伴随AMP结合出现的复杂脂质双层结构变化提供了新的见解。利用高分辨率质谱进行脂质组学分析，如今可以确定某一时间点膜提取物的详细脂质组成，并打开了一个数据宝库，揭示出超出预期的膜组成复杂性。因此，AMP结构、脂质双层排列以及这两个相互作用对象如何彼此影响相关的因素，近年来已受到研究。基于膜提取物的研究也建立在大量模型膜文献基础之上，这些文献为更综合地分析AMP-膜相互作用提供了根基。随着计算分子动力学和机器学习技术的发展，并结合细胞内结构测定，该方向将很快加速推进。这些方法可利用丰富的组成和结构数据，定义AMP-膜相互作用的分子图景，并朝着设计可转化至临床的高效、选择性AMP这一终极目标迈进。