结构意识深度学习模型用于类毒性预测
Hossein Ebrahimikondori1,2, Darcy Sutherland1,3,4, Anat Yanai1,3
1Canada's Michael Smith Genome Sciences Centre, BC Cancer Agency, Vancouver, British Columbia, Canada.
Protein science : a publication of the Protein Society
|August 28, 2024
概括
预测抗微生物 (AMP) 毒性对于开发新疗法至关重要. 一个新的深度学习模型,tAMPer,通过分析氨基酸序列和3D结构,准确预测毒性,加速药物发现.
科学领域:
- 计算生物学是一种计算生物学.
- 生物技术是生物技术.
- 药物发现 药物发现
背景情况:
- 抗微生物药物耐药性 (AMR) 是全球主要的健康威胁,推动了对抗微生物 (AMP) 等新型治疗方法的需求.
- 评估AMP毒性的传统方法资源密集,阻碍了快速发展.
- 需要预测模型来简化对潜在的AMP候选人的选.
研究的目的:
- 开发和验证tAMPer,一个用于预测毒性的多模式深度学习模型.
- 整合序列组成和3D结构信息,以提高毒性预测.
- 减少与AMP实验性毒性查相关的时间和成本.
主要方法:
- 开发了tAMPer,这是一个使用图形神经网络和循环神经网络的深度学习模型.
- 使用基于图形的方法表示,编码 ColabFold 预测的 3D 结构.
- 从氨基酸序列和结构内的空间相互作用中提取特征.
- 在公共蛋白质毒性数据集和定制AMP血液溶解数据集上评估性能.
主要成果:
- 在AMP血液溶解数据集上,tAMPer获得了68.7%的F1得分,超过了下一个最佳方法的23.4%.
- 在蛋白质毒性基准指标上,tAMPer比现有最先进的方法提高了F1得分超过3.0%.
- 该模型有效地整合了序列和结构数据,用于准确的毒性预测.
结论:
- tAMPer在预测毒性方面取得了重大进展,特别是对于AMP.
- 这种模型可以加速新抗菌剂的发现和开发管道.
- tAMPer减少了对昂贵和耗时的实验性毒性测定的依赖.
更多相关视频
16:02Demonstration of the Sequence Alignment to Predict Across Species Susceptibility Tool for Rapid Assessment of Protein Conservation
Published on: February 10, 2023
2.6K
06:50Author Spotlight: A Computational Approach to Decipher Amino Acid Preferences in Multispecific Protein-Protein Interactions
Published on: January 26, 2024
1.8K
