机器学习加速了抗微生物的De Novo设计
Kedong Yin1,2, Wen Xu3,4, Shiming Ren1,5
1Key Laboratory of Functional Molecules for Biomedical Research, Henan University of Technology, 100 Lianhua Street, Zhengzhou, 450001, Henan, People's Republic of China.
Interdisciplinary sciences, computational life sciences
|February 28, 2024
概括
这项研究介绍了AP_Sin,这是一种用于高精度预测抗微生物 (AMP) 的机器学习模型. 开发的计算方法加快了发现具有显著抗菌活性的新型AMP的速度.
科学领域:
- 计算化学是一种计算化学.
- 生物技术是生物技术.
- 机器学习在药物发现中的作用
背景情况:
- 抗微生物 (AMP) 对于开发针对耐药病原体的新疗法至关重要.
- 使用计算方法设计AMP的新型设计为药物发现提供了一个有前途的途径.
研究的目的:
- 开发和验证基于机器学习的模型 (AP_Sin) 来准确预测AMP.
- 为新的AMP设计创建一个序生成器 (AP_Gen).
- 加速发现具有强大抗微生物活性的新型AMP.
主要方法:
- 使用1160个AMP和1160个非AMP序列训练AP_Sin.
- 使用AP_Gen进行17496个三甲序列的de novo生成.
- 用AP_Sin选生成的序列,识别了2675名候选人.
- 化学合成了180个候选AMP用于实验验证.
主要成果:
- 在AMP分类中,AP_Sin获得了94.61%的准确性,超过了现有的模型.
- 在180种合成的中,有18种表现出显著的抗菌活性.
- 16种呈现的最小抑制度 (MIC) 低于10微克/毫升对测试的病原体.
结论:
- 开发的计算方法,结合AP_Sin和AP_Gen,有效地加速了新型抗菌的识别.
- 这项研究为具有治疗潜力的AMP的新设计提供了一种新有效的策略.


