使用基因编程方法进行计算的发现
Nicolas Scalzitti1,2, Iliya Miralavy1,2, David E Korenchan3
1BEACON Center of Evolution in Action, Michigan State University, East Lansing, MI, USA.
Journal of computer-aided molecular design
|April 3, 2024
概括
这项研究介绍了POET,一种用于发现治疗性的新算法. 它增强了用于磁共振成像的敏感性,加速了疾病诊断和药物开发.
科学领域:
- 蛋白质工程是一种蛋白质工程.
- 计算生物学是一种计算生物学.
- 发现生物标志物的发现.
背景情况:
- 开发治疗性和诊断生物标志物是复杂且耗时的.
- 目前的方法需要大量的实验室工作,并与广的搜索空间作斗争.
- 像进化算法一样,in silico方法可以加速的发现并降低成本.
研究的目的:
- 开发和利用POET算法的新变体,POET,以实现高效的发现.
- 在磁共振成像 (MRI) 中增强化学交换和转移 (CEST) 的灵敏度的酸生成.
- 探索将遗传编程与正则表达式相结合的潜力,以识别新的标.
主要方法:
- 开发了POET,一种基因编程算法,以正则表达式表示个体.
- 在一个精选的数据集上训练算法.
- 应用受过训练的模型生成来提高CEST-MRI灵敏度.
主要成果:
- 在POET模型中,与最初的POET模型相比,POET模型的性能提升了20%.
- 与黄金标准相比,确定了一种候选,其性能增加了58%.
- 该算法成功识别了新的标,提高了CEST检测灵敏度.
结论:
- POET提供了一种高效的in silico方法,用于识别具有治疗或诊断潜力的.
- 基因编程和正则表达的结合加快了对CEST-MRI敏感的发现.
- 这种方法为推进蛋白质工程和疾病诊断提供了一个有前途的方向.
