Исследование посвящено решению критической проблемы антимикробной резистентности (AMR) с помощью искусственного интеллекта, предлагая новый подход к открытию антимикробных пептидов (AMP). Авторы разрабатывают многозадачную архитектуру на базе параметрически эффективного обучения с переносом (PEFT), которая одновременно оптимизирует антибактериальную активность и минимизирует цитотоксичность для эритроцитов млекопитающих. В основе метода лежит предобученная языковая модель белков ESM-2 (150 млн параметров), к которой применяется адаптация с низким рангом (LoRA), позволяющая дообучить лишь около 0,70% весов модели, что значительно экономит вычислительные ресурсы. Для устранения конфликта градиентов между различными механизмами лизиса мембран используется адаптивная многозадачная функция потерь, управляемая взвешиванием гомоскедастической неопределенности Кендалла. Оценка проводилась на бенчмарке QMAP с жестким контролем гомологии (максимальная идентичность последовательностей 60%), что исключает утечку данных и проверяет способность модели к обобщению на новых последовательностях. Результаты демонстрируют превосходство предложенного метода над линейными зондами и деревьями решений: корреляция рангов для активности против E. coli достигла ρ = 0,6132, а для гемолитической токсичности — ρ = 0,5374, что является значительным улучшением по сравнению с базовыми моделями. На практике оптимизированная сеть была использована для скрининга библиотеки из 749 де-ново спроектированных пептидов, что позволило выделить селективные катионно-амфипатические кандидаты с терапевтическим индексом (TI) до 144,03, эффективно отфильтровав широко лизические молекулы. Данное исследование демонстрирует, что параметрически эффективная адаптация фундаментальных языковых моделей белков открывает доступ к тонким биологически активным структурным семантикам, создавая масштабируемый и точный инструмент для инженерии терапевтических пептидов.