使用ESMFold预测结构和ESM-2-基于氨基酸特征预测抗菌与图表深度学习.

科学领域:

• 计算生物学是一种计算生物学.
• 生物信息学是一种生物信息学.
• 药物发现 药物发现

背景情况:

• 抗菌素耐药性 (AMR) 是一个全球性的健康危机,需要新的治疗策略.
• 抗微生物 (AMP) 显示出作为常规抗生素替代品的希望.
• 目前用于AMP预测的深度学习模型通常依赖于氨基酸序列,并且可以是计算密集的.

研究的目的:

• 开发一种无对齐的框架,使用3D结构和进化信息来预测抗微生物 (AMP).
• 在这个AMP分类框架内评估图表注意力网络 (GAT) 的性能.
• 在精度,速度和内存效率方面改进现有最先进的方法.

主要方法:

• 一个新的框架,esm-AxP-GDL,已经开发出来,可以从ESMFold预测的3D结构中生成图形表示.
• 来自进化规模建模 (ESM-2) 的氨基酸级进化信息被纳入图节点中.
• 图表注意力网络 (GAT) 在67058个的数据集上进行了训练和评估,用于AMP分类.

主要成果:

• 与20个现有的非DL和DL型模型相比,提出的GAT模型显示出更高的概括能力.
• 通过使用36层和33层ESM-2的进化数据来实现最佳模型.
• 融合了表现最佳的GAT模型,这些模型捕捉了不同的化学空间,显著提高了分类准确性.

结论:

• esm-AxP-GDL框架为AMP查提供了一种有效的,结构依赖的,无调整的方法.
• 这种方法为分类AMP和潜在的其他/蛋白活动提供了一个有前途的工具.
• 该框架通过有效地将3D结构信息与进化数据集成,解决了以前方法的局限性.