通过基于深度学习的模型和生物活动验证,从随机酸中发现AMP
Jun Du1, Changyan Yang1, Yabo Deng2
1School of Basic Medical Sciences, Lanzhou University, Donggang West Road, Lanzhou, 730000, China; Gansu Provincial Maternity and Child Care Hospital, North Road 143, Qilihe District, Lanzhou, 730000, China.
European journal of medicinal chemistry
|August 28, 2024
概括
深度学习模型从随机序列中识别了新型抗微生物 (AMP),提供了更有效的发现方法. 有前途的候选药物表现出强大的抗菌活性,低毒性,并有可能治疗耐药性感染.
科学领域:
- 生物技术是生物技术.
- 计算生物学 计算生物学
- 药物发现 药物发现 药物发现
背景情况:
- 抗微生物 (AMP) 对于对抗耐药病原体至关重要.
- 发现新的AMP是具有挑战性和昂贵的.
- 人工智能 (AI) 具有加速AMP发现的潜力.
研究的目的:
- 开发和应用基于深度学习的多区分器模型,用于识别新型抗微生物 (AMP).
- 选大量随机的图书馆,以寻找潜在的AMP.
- 验证已识别的AMP候选药物的疗效和安全性.
主要方法:
- 构建三种深度学习多差别模型.
- 对3万个随机的查.
- 对候选的抗微生物和溶血活性测定.
- 关于杀菌作用的机制研究.
- 在小鼠伤口感染模型中进行体内疗效测试.
主要成果:
- 使用深度学习模型,成功选了12种新型抗微生物 (AMP).
- 三种候选 (P2,P11,P12) 显示出强大的抗菌活性和低血解活性.
- 类药物通过破坏膜产生杀菌作用,降低了耐药性潜力.
- 12 (P12) 在小鼠模型中显示出显著的疗效,在小鼠模型中显示出黄金葡萄球菌伤口感染,器官毒性最小.
结论:
- 基于深度学习的多分辨器模型对于从随机库中识别新型抗菌 (AMP) 有效.
- 已识别的AMP在治疗细菌感染方面表现出有前途的临床潜力,包括由耐药菌株引起的细菌感染.
- 开发的AI方法提高了抗菌素发现的效率,降低了抗菌素发现的成本.
更多相关视频
10:13Production and Visualization of Bacterial Spheroplasts and Protoplasts to Characterize Antimicrobial Peptide Localization
Published on: August 11, 2018
11.8K
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
