通过预测和可解释的机器学习模型,加速针对世卫组织优先病原体的抗微生物发现

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应用.

背景情况:

• 多药耐药 (MDR) 病原体构成了全球健康的重大威胁,推动了对新型抗菌剂的需求.
• 抗微生物 (AMP) 是传统抗生素的有希望的替代品,因为它们的作用机制多样化.
• 传统的AMP发现通常是劳动密集型和昂贵的,需要更有效的识别策略.

研究的目的:

• 开发和验证可预测,可解释的机器学习 (ML) 模型,用于识别强效抗微生物 (AMP).
• 针对世界卫生组织 (WHO) 高优先病原体的AMP,并评估其溶血活性的治疗潜力.
• 加速新型AMP的发现,以应对不断升级的抗生素耐药性.

主要方法:

• 采用了"in silico"方法,专注于从AMP的3D螺旋形状中获得的物理化学属性.
• 开发和应用了尖端的机器学习 (ML) 模型,包括血液溶解预测.
• 采用Shapley添加式解释 (SHAP) 值来解释ML模型的结果并了解作用机制.

主要成果:

• 实现了超过75%的预测准确性,用于识别针对已知和新序列的有力AMP.
• 与本地PEM-2相比,鉴定了几种具有优越抗菌活性的新型AMP,用于对抗WHO优先病原体.
• 证明了ML建模方法在优先考虑和验证有效的AMP候选人的稳健性.

结论:

• 最先进的ML模型可以显著加快新抗菌的设计和发现.
• 开发的预测工具提供了一个强大的策略,通过识别有效的AMP来打击抗生素耐药性.
• 公开可用的预测工具 (https://ai-meta.chem.ncu.edu.tw/amp-meta) 促进了AMP发现的更广泛的研究.