通过富里埃变换红外光谱和先进的机器学习方法的协同作用来增强生物活性化合物分类
Pedro N Sampaio1,2, Cecília C R Calado3,4
1COPELABS-Computação e Cognição Centrada nas Pessoas, Faculty of Engineering, Lusófona University, Campo Grande, 376, 1749-024 Lisbon, Portugal.
研究人员使用富里埃变换中红外光谱和机器学习来识别Cynara cardunculus中的抗菌化合物. 这种方法有效地预测了植物提取物对大肠杆菌的影响,有助于新药的发现.
科学领域:
- 植物化学 植物化学
- 频谱学是一种光谱学.
- 机器学习 机器学习
- 微生物学 微生物学
背景情况:
- 抗生素耐药性和细菌感染对全球健康构成重大挑战.
- 发现新的抗菌化合物对公共卫生至关重要.
- 辛纳卡尔登克卢斯 (Cynara cardunculus) 是一种具有潜在药用功能的植物.
研究的目的:
- 开发一个平台,用于发现抗菌化合物.
- 使用光谱学和机器学习预测Cynara cardunculus提取物对大肠杆菌的影响.
- 评估不同植物组织和溶剂在产生活性化合物的有效性.
主要方法:
- 使用不同的溶剂从各种Cynara cardunculus组织中提取化合物.
- 福里埃变换中红外光谱 (FT-MIR) 用于光谱分析.
- 主要组件分析 (PCA) 用于数据歧视.
- 监督机器学习算法 (PLS-DA,SVM,KNN,BP) 用于预测抗菌活性.
主要成果:
- 获得了具有不同含量,抗氧化剂和抗菌活性的化合物.
- PCA成功地区分了抑制大肠杆菌生长的化合物.
- 机器学习模型实现了高预测准确度:PLS-DA (94%),SVM (89%),KNN (72%) 和BP (100%).
结论:
- 与机器学习相结合的FT-MIR光谱学是识别抗菌化合物的强大工具.
- 这种综合方法可以加速新抗菌剂的药物发现过程.
- Cynara cardunculus提取物显示出作为一种新型抗菌化合物的来源的希望.
更多相关视频
06:50O-cresol Concentration Online Measurement Based On Near Infrared Spectroscopy Via Partial Least Square Regression
Published on: November 8, 2019
08:43PTR-ToF-MS Coupled with an Automated Sampling System and Tailored Data Analysis for Food Studies: Bioprocess Monitoring, Screening and Nose-space Analysis
Published on: May 11, 2017
相关概念视频
Applications of IR Spectroscopy: Overview
Infrared (IR) Spectroscopy: Overview
Different compounds display unique properties due to their...
IR Frequency Region: Fingerprint Region
Attenuated Total Reflectance (ATR) Infrared Spectroscopy: Overview
The ATR process begins by directing a beam...
IR Spectrometers
¹H NMR: Interpreting Distorted and Overlapping Signals
As Δν decreases and the signals move closer, the doublets appear increasingly distorted. The intensities of the inner lines increase at the cost of those of the outer lines as the signals are...
