几何深度学习作为抗微生物预测的潜在工具
Fabiano C Fernandes1,2, Marlon H Cardoso1,3,4, Abel Gil-Ley3
1Centro de Análises Proteômicas e Bioquímicas, Pós-Graduação em Ciências Genômicas e Biotecnologia, Universidade Católica de Brasília, Brasília, Brazil.
Frontiers in bioinformatics
|July 31, 2023
概括
对于自然免疫力至关重要的抗微生物 (AMP) 用几何深度学习 (GDL) 进行分析. 在非欧几里德空间中,GDL有效地模拟AMP结构,推进其设计和预测.
科学领域:
- 生物化学 生物化学
- 计算生物学 计算生物学
- 机器学习 机器学习
背景情况:
- 抗微生物 (AMP) 是对抗病原体的重要自然免疫成分.
- 在非欧几里德空间中,AMP结构和序列的表现最好,这给分析带来了挑战.
- 现有的方法难以处理AMP数据的复杂,非欧几里德几何.
研究的目的:
- 审查几何深度学习 (GDL) 在设计和预测AMP中的应用.
- 突出GDL在处理来自AMP结构的非欧几里德数据方面的潜力.
- 为了确定当前的研究差距和未来的方向在GDL的AMPs.
主要方法:
- 对用于AMP的GDL技术的最新文献的审查.
- 分析用于处理非欧几里德设置中的数据的GDL模型,如多元组和图形.
- 探索GDL在表示复杂的AMP结构方面的能力.
主要成果:
- 在非欧几里德空间中,GDL为分析AMP提供了强大的工具.
- 最近的进展表明,在使用GDL设计和预测AMP方面有前途.
- GDL有助于更深入地了解AMP中的结构-功能关系.
结论:
- 几何深度学习是一个快速发展的领域,对抗微生物研究具有重大潜力.
- 需要进行进一步的研究,以解决AMP的GDL方法论当前的缺陷.
- 预计GDL的整合将加速新型AMP的发现和开发.


