基于对齐的创新方法用于抗病毒预测
Daniela de Llano García1, Yovani Marrero-Ponce2,3,4, Guillermin Agüero-Chapin5,6
1School of Chemical Sciences and Engineering, Yachay Tech University, Hda. San José s/n y Proyecto Yachay, Urcuquí 100119, Imbabura, Ecuador.
Antibiotics (Basel, Switzerland)
|August 29, 2024
概括
称为多查询相似性搜索模型 (MQSSMs) 的计算模型是为了发现抗病毒 (AVPs) 而开发的. 这些模型有效地选大型数据集,为识别新抗病毒药物的资源密集型实验室方法提供了有希望的替代方案.
科学领域:
- 生物化学 生物化学
- 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:
- 抗病毒 (AVP) 是对抗病毒感染和耐药性的重要策略.
- 传统的基于实验室的AVP发现是昂贵且耗时的.
- 需要有效的计算方法来加速AVP识别.
研究的目的:
- 开发和验证用于AVP发现的新计算模型.
- 评估这些模型的性能与现有的AVP预测工具相比.
- 创建一个全面的抗病毒序列数据集.
主要方法:
- 在StarPep工具箱中开发了五个监督的多查询相似性搜索模型 (MQSSM).
- 使用各种AVP数据集进行严格的测试和验证.
- 与14个公共机器学习和深度学习AVP预测器对比MQSSM的比较.
主要成果:
- 开发的MQSSM证明了数据集的稳定性和可靠性.
- 顶级模型M13+实现了高精度 (0.969) 和马修的相关系数 (0.71).
- 在效率和可访问性方面,MQSSM的表现优于现有的预测指标,并编制了一个全面的抗病毒序列数据集.
结论:
- MQSSM是有效的基于对齐的工具,用于选大数据集以发现新的AVP.
- 这些模型为抗病毒药物开发提供了一种计算效率高且易于使用的方法.
- 这项研究通过提供卓越的预测模型和对AVP研究有价值的数据集来推进该领域.


