MAC-AMP: 다목적 항균 펩타이드 설계를 위한 폐루프 다중 에이전트 협업 시스템

MAC-AMP: A Closed-Loop Multi-Agent Collaboration System for Multi-Objective Antimicrobial Peptide Design

항생제 내성이라는 전 세계적인 보건 위협에 대응하기 위해, 내성 병원균과 싸울 수 있는 강력하고 유망한 능력을 지닌 항균 펩타이드(AMP)가 연구되고 있습니다. 인공지능(AI)이 AMP 발견 및 설계를 발전시키기 위해 활용되고 있지만, 대부분의 AMP 설계 모델은 활성, 독성, 신규성과 같은 핵심 목표들 사이의 균형을 맞추는 데 어려움을 겪고 있으며, 결과의 해석과 최적화를 어렵게 만드는 경직되거나 불명확한 점수 산정 방식을 사용하고 있습니다. 거대 언어 모델(LLM)의 능력이 빠르게 발전하고 진화함에 따라, 우리는 복잡한 과학적 설계 시나리오에서 잠재력이 급상승하고 있는 이러한 모델 기반의 AI 다중 에이전트 협업(다중 에이전트 LLM)에 주목했습니다. 이를 바탕으로 우리는 다목적 AMP 설계를 위한 폐루프 다중 에이전트 협업(MAC) 시스템인 MAC-AMP를 소개합니다. 이 시스템은 작업 설명과 예제 데이터셋만 있으면 새로운 AMP를 설계할 수 있는 완전 자율 시뮬레이션 동료 검토-적응형 강화 학습 프레임워크를 구현합니다. 본 연구의 참신함은 타 도메인으로의 전이 가능성을 갖추고, '블랙 박스'가 아닌 설명 가능한 상태를 유지하면서 다목적 최적화를 지원하는 AMP 설계를 위한 폐루프 다중 에이전트 시스템을 도입했다는 점에 있습니다. 실험 결과, MAC-AMP는 여러 주요 분자 특성에 대해 AMP 생성을 효과적으로 최적화함으로써 다른 AMP 생성 모델보다 뛰어난 성능을 보였으며, 항균 활성, AMP 유사성, 독성 준수 및 구조적 신뢰성 측면에서 탁월한 결과를 입증했습니다.

To address the global health threat of antimicrobial resistance, antimicrobial peptides (AMP) are being explored for their potent and promising ability to fight resistant pathogens. While artificial intelligence (AI) is being employed to advance AMP discovery and design, most AMP design models struggle to balance key goals like activity, toxicity, and novelty, using rigid or unclear scoring methods that make results hard to interpret and optimize. As the capabilities of Large Language Models (LLM) advance and evolve swiftly, we turn to AI multi-agent collaboration based on such models (multi-agent LLMs), which show rapidly rising potential in complex scientific design scenarios. Based on this, we introduce MAC-AMP, a closed-loop multi-agent collaboration (MAC) system for multi-objective AMP design. The system implements a fully autonomous simulated peer review-adaptive reinforcement learning framework that requires only a task description and example dataset to design novel AMPs. The novelty of our work lies in introducing a closed-loop multi-agent system for AMP design, with cross-domain transferability, that supports multi-objective optimization while remaining explainable rather than a 'black box'. Experiments show that MAC-AMP outperforms other AMP generative models by effectively optimizing AMP generation for multiple key molecular properties, demonstrating exceptional results in antibacterial activity, AMP likeliness, toxicity compliance, and structural reliability.