以胰岛素为代表的内源性多肽物质具有高效,低毒的特点,在过去的近百年时间中,药物学家非常重视多肽治疗药物的开发。尽管有一大批多肽化合物在不同的时间段进入了临床前和临床药物研究阶段,但只有很少一部分经过化学修饰或合理设计的多肽作为临床用药能获批上市,而其它大多数都因其意外的副作用或存在安全性问题而失败。幸运的是,人工智能等计算机虚拟技术已被用于预测多肽的活性、毒性和ADME性质（吸收、分布、代谢及排泄）,这样可以有效加速多肽治疗药物的发现。通常,多肽的特定生物活性可以通过以兴趣为导向的二分类器来准确判定,一般情况下,该方法使用一个阳性样本集合和另一个通常未经实验验证的阴性样本集合来构建。这种方法在药物研发（R＆D）的早期阶段要实现对研究对象的精确综合性评价具有极大的挑战性。本文以设计生成具有单一特定抗细菌、抗真菌或抗高血压活性并能有效规避毒性的多肽化合物为例,探究人工智能在多肽从头设计中的应用,主要的实验内容为:通过深度学习的方法建立生成模型得到毒性低的具有单一生物学功能的多肽化合物,从头设计以得到结构新颖的治疗性多肽序列为目的,随着人工智能技术在药物设计方面日益成熟,两者的有效结合在理论和实际上都具有缩短药物研发周期的能力。相比于传统机器学习的方法,深度学习在生成模型上更具有显著的优势,具体表现为:在特征提取方面,深度学习模型需要的人工干预更少;在数据容量方面,深度学习更擅长找到数据样本之间的潜在联系。基于此考虑,本文使用独热编码特征提取算法（one hot encoding）和条件变分自编码模型（CVAE）来生成高潜力活性的抗细菌多肽、抗真菌多肽和抗高血压多肽序列,之后利用主成分分析技术（PCA）对生成肽的序列和模型训练使用的多肽序列从两个主要维度上进行成分可视化操作。结果表明两者的主要成分在空间上高度重叠,这在一定程度上证明生成的序列与训练的序列具有相似性。我们还通过modl AMP库和双侧魏尔希t检验分析比较了生成的肽序列、训练使用的肽序列和来源于随机生成的肽序列三者之间的物理化学性质的差异性,进一步验证了生成序列的可靠性。最后,我们还用现存的最先进的预测平台检测了生成的序列的毒性效用比,结果显示绝大多数的生成序列具有理想的治疗性能。深度多分类器预测其毒性或效用,在对目标序列实施生物实验验证前,人工智能的方法是从大量具有潜在生物活性的序列中挑选出高效和低毒性的候选序列。虽然研究者们开发出了大量的二分类器,但是这些二分类器需要使用没有经过实验室验证的样本作为阴性对照来使用。为了解决此问题,本文选择使用经过实验验证的抗细菌多肽、抗真菌多肽、抗高血压多肽序列和毒性肽数据,通过设置过滤步骤,得到符合要求的活性肽数据集。由上述处理得到的数据采用最简单的序列特征表示（SR）提取算法,经训练和测试后构建了一个深度学习预测器以及8个传统机器学习预测器。最终结果显示Only-Bi LSTM深度学习模型在ACC和MCC上均优于其他8个传统机器学习预测器,在此基础上,通过手动调节超参数等手段进一步开发出模型性能更好的Deep-Multiclassifier。由上述的生成模型与Deep-Multiclassifier共同组成了基于深度学习的从头设计的方法:GM-Pep。