sAMP-VGG16:基于力场辅助的基于图像的深度神经网络预测模型,用于短抗微生物

科学领域:

• 生物化学 生物化学
• 计算生物学 计算生物学
• 药物发现 药物发现 药物发现

背景情况:

• 抗微生物 (AMP) 是常规抗生素的重要治疗替代品.
• 设计有效的AMP是具有挑战性的,因为高成本和时间消耗.
• 当前的AMP预测工具通常依赖于有限的序列或基于属性的特色化.

研究的目的:

• 开发一种新,高效,准确的计算模型,用于预测抗微生物 (AMP).
• 探索基于图像的深度神经网络的实用性,使用高级功能编码来进行AMP预测.
• 为加速发现新的AMP提供下一代查方法.

主要方法:

• 基于图像的深度神经网络模型 (sAMP-VGG16) 已被开发用于AMP预测.
• 特性编码是基于德鲁德的偏振力场原子类型,用于增强性质捕获.
• 该模型在识别短AMP (≤30氨基酸) 的准确性方面进行了训练和验证.

主要成果:

• 拟议的模型在预测短抗微生物 (AMP) 中显示出有希望的准确性和效率.
• 德鲁德的极化力场原子类型编码比传统方法更有效地捕获性质.
• 该模型作为新型AMP发现的有效下一代查工具.

结论:

• 基于图像的深度神经网络模型在计算AMP预测方面取得了重大进展.
• 这种方法克服了传统特色化方法的局限性,使得选更有效.
• 公开可用的源代码有助于进一步的研究和应用在抗菌药物发现.