抗BP3:一种用于预测抗菌对抗阳性/阴性/变性细菌的方法
Nisha Bajiya1, Shubham Choudhury1, Anjali Dhall1
1Department of Computational Biology, Indraprastha Institute of Information Technology, Okhla Phase 3, New Delhi 110020, India.
Antibiotics (Basel, Switzerland)
|February 23, 2024
概括
这项研究引入了一种新的无对齐方法,用于预测抗菌 (ABP) 对阳性,阴性和变性细菌有效,其性能优于现有的方法.
科学领域:
- 计算生物学 计算生物学
- 生物信息学是一种生物信息学.
- 药物发现 药物发现 药物发现
背景情况:
- 现有的抗菌 (ABP) 预测方法通常针对特定的细菌类型 (阳性或阴性).
- 需要一种适用于更广泛范围的细菌的通用预测方法,包括グラム变量类型.
研究的目的:
- 开发一种强大而准确的方法来预测抗菌 (ABP) 对阳性,阴性和变性细菌有效.
- 克服现有的ABP预测方法中的敏感性和特异性的局限性.
主要方法:
- 基于对齐 (BLAST) 和基于动机的ABP预测方法的初步开发,并注意到它们的局限性.
- 实现无对齐的机器/深度学习模型,利用各种特征,如组合,终端残留二进制配置文件和快速Text字嵌入.
- 使用五倍交叉验证和独立测试数据集进行严格的模型评估.
主要成果:
- 机器学习模型实现了高性能,氨基酸二进制配置模型在独立数据集上产生了最大AUC为0.93 (克阳性),0.98 (克阴性) 和0.94 (克变量).
- 开发的方法在独立数据集上进行评估时,与现有方法相比,表现优越.
- 这些模型在不同细菌类型的ABP预测方面表现出更好的灵敏度和精度.
结论:
- 新型无对齐机器学习方法在预测各种细菌物种的抗菌 (ABP) 方面取得了重大进展.
- 开发的预测工具以Web服务器,独立包和PIP包的形式提供,有助于发现新的基于的治疗方法.
- 这种方法为开发广谱抗菌剂提供了一个有前途的解决方案.
