一个活跃的机器学习发现平台,用于破坏膜和形成毛孔的
Alexander van Teijlingen1, Daniel C Edwards2, Liao Hu2
11Pure and Applied Chemistry, University of Strathclyde, 295 Cathedral Street, Glasgow, G1 1XL, UK. tell.tuttle@strath.ac.uk.
Physical chemistry chemical physics : PCCP
|June 14, 2024
概括
机器学习加速了短孔形成 (PFP) 的发现. 这种方法确定了71种潜在的PFP,实验验证证证了它们破坏膜的能力,推动了生物纳米技术和治疗.
科学领域:
- 生物技术和纳米技术
- 生物物理学的生物物理.
- 计算生物学 计算生物学
背景情况:
- 孔形成 (PFPs) 对于生物纳米技术至关重要,影响细胞活力和运输.
- 控制膜运输对于细胞平衡和药物输送等治疗应用至关重要.
- 简短的PFP是不太了解的,但为新的应用提供了潜力.
研究的目的:
- 通过机器学习加速发现新型孔形成 (PFPs).
- 为了识别具有膜破坏能力的超短PFP.
- 通过实验验证预测的PFP,并了解孔隙形成的残留特征.
主要方法:
- 利用一个活跃的机器学习方法来选一个庞大的八个序列空间 (256亿个序列).
- 通过计算识别了71个潜在的PFP.
- 实验测试了13个预测序列的膜破坏和毛孔形成能力.
主要成果:
- 所有13个实验测试的序列都表现出预测的膜破坏活性.
- 一个已识别的形成了高度稳定的毛孔.
- 该研究发现了比以前知道的更多的超短 (8-残留) PFP.
- 阐明了有利于孔隙形成的关键残留特征.
结论:
- 机器学习显著加速了PFP发现.
- 短可以有效地在细胞膜中形成毛孔.
- 这些发现为发现用于各种应用的PFP提供了强大的方法,包括纳米反应器和治疗药物.
