deepAMPNet:一种新的抗微生物预测器,采用AlphaFold2预测结构和双向长期短期记忆蛋白语言模型
Fei Zhao1, Junhui Qiu1, Dongyou Xiang1
1Microbiology and Metabolic Engineering Laboratory of Sichuan Province, College of Life Science, Sichuan University, Chengdu, Sichuan, China.
PeerJ
|July 23, 2024
概括
抗菌素耐药性 (AMR) 是一个全球性的威胁. 一个新的计算模型,deepAMPNet,准确地识别了抗微生物 (AMP),为开发新型抗微生物药物提供了有前途的方法.
科学领域:
- 计算生物学是一种计算生物学.
- 药物发现 药物发现
- 传染病 传染病 传染病
背景情况:
- 抗菌素耐药性 (AMR) 对全球公共卫生构成重大威胁.
- 抗微生物 (AMP) 是先天免疫系统的关键组成部分,对抗AMR具有治疗潜力.
- 计算方法可以加速新型AMP的发现和开发.
研究的目的:
- 开发一种用于快速准确识别抗微生物 (AMP) 的计算模型.
- 利用先进的机器学习技术和结构信息进行AMP预测.
主要方法:
- 开发了deepAMPNet,这是一个利用图形神经网络用于AMP识别的模型.
- 从双向长期短期记忆 (Bi-LSTM) 蛋白语言模型中整合AlphaFold2预测的结构和残留水平特征.
- 基于氨基酸接触图构建的相邻矩阵.
主要成果:
- 与独立测试数据集上的最先进的AMP预测器相比,deepAMPNet的准确性更高.
- 在AUC,Mcc,灵敏度和特异性指标方面取得了高性能.
- 表现优于或显示与现有预测指标相似的结果.
结论:
- deepAMPNet有效地集成结构和序列数据,用于高性能AMP识别.
- 该模型有助于在抗微生物制药的进化和设计方面取得进展.
- 为打击抗菌素耐药性提供了有价值的工具.
