德诺沃抗菌设计与反生成对抗网络
Michaela Areti Zervou1,2, Effrosyni Doutsi2, Yannis Pantazis3
1Department of Computer Science, University of Crete, 700 13 Heraklion, Greece.
International journal of molecular sciences
|May 25, 2024
概括
增强分类器提高了反生成对抗网络 (FBGAN) 设计新型抗菌 (AMP) 的性能. 这种深度学习方法加速了新抗生素的发现,降低了耐药性潜力.
科学领域:
- 计算化学和药物发现
- 生物信息学和机器学习在生命科学中的应用.
背景情况:
- 抗微生物 (AMP) 显示出作为新型抗生素的潜力,这是由于其广泛的活性和低耐药性发展.
- 深度学习,特别是生成模型,可以加速AMP发现和优化.
- 反生成对抗网络 (FBGAN) 是一个深度生成模型,包含用于培训的分类器.
研究的目的:
- 调查增强分类器对FBGAN框架生成性能的影响.
- 开发改进的FBGAN模型,用于新的抗微生物的设计.
主要方法:
- 为FBGAN框架引入了两个新型分类器:一个基于k-mers,另一个使用ESM2蛋白语言模型的转移学习.
- 将这些增强分类器集成到FBGAN架构中.
- 评估了修改后的FBGAN模型与原来的FBGAN和其他已确定的方法 (AMPGAN,HydrAMP) 的生成性能.
主要成果:
- 两种引入的分类器都比原来的FBGAN分类器更准确.
- 增强的FBGAN模型显示出与原来的FBGAN相比显著的性能改善.
- 提出的模型实现了与现有的AMP设计工具 (如AMPGAN和HydrAMP) 相当或超过的性能.
结论:
- 在FBGAN框架内利用高级分类器显著提高了其对抗微生物新设计的计算稳定性.
- 改进的FBGAN模型为发现新型抗微生物提供了一种具有竞争力和有效的方法,与当前最先进的方法相匹配.
