抗菌的联合电荷和疏水性引导选:用于预测抗菌活性和疗效的两级方法
Ashwin Bale1, Arnab Dutta2, Debirupa Mitra3
1Chemical Engineering Department, Birla Institute of Technology and Science (BITS) Pilani, Hyderabad Campus, Jawahar Nagar, Medchal District, Hyderabad, 500078, Telangana, India.
Amino acids
|May 29, 2023
概括
这项研究引入了一种机器学习方法,以预测抗菌的活性和有效性. 新的联合电荷和水性导向三元体 (CHT) 特性提取方法显示出开发新抗生素替代品的前景.
科学领域:
- 生物化学 生物化学
- 计算生物学 计算生物学
- 药物发现 药物发现 药物发现
背景情况:
- 抗生素耐药性是一个日益增长的全球健康威胁,需要新的治疗策略.
- 抗菌 (ABP) 显示出作为常规抗生素替代品的潜力.
- 评估ABP的抗菌活性和有效性对于其临床发展至关重要.
研究的目的:
- 开发一种机器学习框架,用于预测的抗菌活性和有效性.
- 引入和评估一种新的特征提取方法,即联合电荷和性导向三元体 (CHT),用于分析.
- 用可解释的AI验证预测模型,并将洞察力与现有文献进行比较.
主要方法:
- 采用了基于SVM的双级支持向量机 (SVM) 的二元分类方法.
- 第1模型预测了抗菌活性,而第2模型根据对黄金葡萄球菌 (Staphylococcus aureus) 的最小抑制度 (MIC) 进行了抗菌功效 (高/低) 的分类.
- 一种新的特征表示方法,CHT,是基于氨基酸电荷和水性,结合氨基酸组成 (AAC) 模型1的基础上开发.
主要成果:
- 模型1使用CHT和AAC特征的组合实现了96.7%的最高精度.
- 模型2使用CHT作为特征表示方法实现了70.9%的最高准确度.
- 可解释的AI洞察力与现有的实验发现保持一致,证实了模型的可靠性.
结论:
- 通过CHT特征表示方法,可以有效地根据活性和疗效对抗菌进行分类.
- 开发的机器学习模型为识别有前途的抗菌提供了可靠的计算工具.
- 这种方法可以加速新型基于的抗生素的发现和开发,以对抗耐药性.
