对抗微生物发现的结构感知机器学习策略.
Mariana D C Aguilera-Puga1, Fabien Plisson2
1Department of Biotechnology and Biochemistry, Center for Research and Advanced Studies of the National Polytechnic Institute (CINVESTAV-IPN), Irapuato Unit, 36824, Irapuato, Guanajuato, Mexico.
Scientific reports
|May 25, 2024
概括
机器学习模型通过分析序列和结构来预测抗微生物的功能. 新模型克服了结构偏差,提高了对的作用机制分类的准确性.
科学领域:
- 生物化学 生物化学
- 计算生物学 计算生物学
- 酸科学 酸科学
背景情况:
- 机器学习模型越来越多地用于生物活性的发现和设计.
- 目前的模型往往缺乏结构意识,限制了对的作用机制的理解.
- 抗微生物 (AMP) 具有多种机制,包括膜破坏,透和蛋白质结合.
研究的目的:
- 研究抗微生物的作用机制和结构格局.
- 开发精确的机器学习模型,根据其功能和结构来分类AMP.
- 解决和克服现有预测模型中的结构偏差.
主要方法:
- 分析关键特征,如二和物理化学描述符.
- 开发初始机器学习模型 (1.0和2.0) 用于预测类别.
- 实施子集选择和数据减少策略,以减轻结构偏差.
- 创建结构特定和结构不可知预测模型.
主要成果:
- 最初的模型获得了高精度 (86-88%),但显示偏向于特定结构 (α螺旋,卷轴).
- 为α螺旋,卷轴和混合结构开发了结构特定的模型.
- 结构不可知模型是通过消耗过度代表的结构来创建的.
- 识别了关键特征对不同结构类的敏感性.
结论:
- 机器学习模型可以有效地预测抗微生物的作用和结构机制.
- 解决结构偏差对于开发强大的和可概括的预测模型至关重要.
- 特性重要性在不同的结构类之间有所不同,为结构-活性关系提供了洞察力.
更多相关视频
08:31Biosensor-based High Throughput Biopanning and Bioinformatics Analysis Strategy for the Global Validation of Drug-protein Interactions
Published on: December 1, 2020
5.0K
06:50Author Spotlight: A Computational Approach to Decipher Amino Acid Preferences in Multispecific Protein-Protein Interactions
Published on: January 26, 2024
1.8K
