利用机器学习来发现耐醇CYP51/ERG11蛋白中隐藏的模式
Otávio Guilherme Gonçalves de Almeida1, Marcia Regina von Zeska Kress1
1Faculdade de Ciências Farmacêuticas de Ribeirao Preto, Universidade de São Paulo, Ribeirão Preto 14040-903, SP, Brazil.
Microorganisms
|August 29, 2024
概括
机器学习识别了与醇耐药性相关的真菌CYP51/ERG11蛋白中的分子模式. 这种方法为理解和打击真菌耐药性的传统方法提供了更快,更准确的替代方案.
科学领域:
- 生物化学 生物化学
- 菌类学 菌类学是指菌类学.
- 计算生物学 计算生物学
背景情况:
- 对醇抗真菌药物的真菌耐药性是一个日益严重的公共卫生问题.
- 醇通过抑制CYP51/ERG11来向厄戈斯特醇合成,但耐药性机制是复杂的.
- 传统的研究醇抗性的方法,如序列对齐,是缓慢的,容易出错.
研究的目的:
- 开发一种基于机器学习 (ML) 的方法来识别与真菌CYP51/ERG11蛋白中的醇耐药性相关的分子模式.
- 为传统的电阻检测方法提供更有效,更准确的替代方案.
主要方法:
- 使用了分子描述符,代表CYP51/ERG11蛋白质异型体的生化属性.
- 采用机器学习算法来分析来自耐药 (非野生型,NWT) 和非耐药 (野生型,WT) 菌株的序列.
- 专注于与氨基酸组成,疏水性和疏水性相关的描述符.
主要成果:
- 确定了特定的分子描述符,有效区分耐药 (NWT) 和非耐药 (WT) 的CYP51/ERG11蛋白序列.
- 氨基酸组成和联合水性/水性描述符是对醇耐药性的关键指标.
- ML方法揭示了与阻力相关的微妙序列差异.
结论:
- 机器学习为揭示与抗真菌药物耐药性相关的蛋白质序列中的复杂模式提供了一个强大的工具.
- 这种基于ML的方法可以识别CYP51/ERG11的有价值的分子特征.
- 这些发现可以为未来的抗真菌药物开发和对耐药真菌感染的计算查策略提供信息.
