一个 in silico 方案,以优化基于机器学习和虚拟消化自然生物活性的酶获取,基于机器学习和虚拟消化
Like Lin1, Cong Li1, Tianlong Zhang1
1Key Laboratory of Synthetic and Natural Functional Molecule of Ministry of Education, College of Chemistry and Materials Science, National Demonstration Center for Experimental Chemistry Education, Northwest University, Xi'an, Shaanxi, 710127, People's Republic of China.
Analytica chimica acta
|March 10, 2024
概括
一种新的计算方法,SSA-LSTM-VD,改善了自然生物活性 (NBAPs) 的发现. 这种方法准确地预测了活性,并优化了蛋白酶选择,以获得高效的NBAP.
科学领域:
- 生物技术是生物技术.
- 生物信息学是一种生物信息学.
- 酸科学 酸科学
背景情况:
- 自然生物活性 (NBAP) 显示出巨大的潜力,但使用传统方法很难获得.
- 现有的虚拟消化技术对活性缺乏清晰度,阻碍了高效的NBAP发现.
- 需要一个高效和准确的策略来获得NBAPs.
研究的目的:
- 开发一个优化的in silico策略来获取NBAPs.
- 为了提高自然发现的效率和准确性.
主要方法:
- 引入了SSA-LSTM-VD,集成了长期短期记忆 (SSA-LSTM) 深度学习与虚拟消化.
- SSA-LSTM受过训练,可以从虚拟消化结果中预测活性.
- 该系统选择最佳的蛋白酶进行实验验证.
主要成果:
- SSA-LSTM实现了98.00%的效率,超过了传统的机器学习和基本的LSTM算法.
- 应用于核桃蛋白质,SSA-LSTM将素确定为最佳蛋白酶 (85.29%的神经保护性).
- 消化的核桃蛋白 (WPTrH) 在小鼠模型中表现出神经保护作用.
结论:
- 该SSA-LSTM-VD战略显著提高了NBAP采购的效率和准确性.
- 这种结合深度学习和虚拟消化方法的方法有助于发现生物活性.
- 该方法对开发具有神经保护性和其他生物活动的具有前景.
更多相关视频
08:31Biosensor-based High Throughput Biopanning and Bioinformatics Analysis Strategy for the Global Validation of Drug-protein Interactions
Published on: December 1, 2020
5.0K
06:50Author Spotlight: A Computational Approach to Decipher Amino Acid Preferences in Multispecific Protein-Protein Interactions
Published on: January 26, 2024
1.8K
