一种集体深度学习模型,用于预测抗微生物类对病原性细菌的最小抑制度

科学领域:

• 生物化学 生物化学
• 计算生物学 计算生物学
• 传染性疾病 传染性疾病

背景情况:

• 抗生素耐药性是一个日益增长的全球健康威胁,推动了对新型治疗策略的需求.
• 抗微生物 (AMP) 是一种有前途的化合物类别,具有针对各种病原体的广泛活性.
• 准确预测AMP的疗效,特别是它们的最小抑制度 (MIC),对于它们的发展至关重要.

研究的目的:

• 开发和评估抗微生物 (AMP) 的最小抑制度 (MIC) 的预测模型.
• 为了评估模型对WHO优先病原体的性能: *金黄色葡萄球菌*, *大肠杆菌*和*假菌*.
• 使用先进的人工智能 (AI) 架构集成基于序列和基因组特征.

主要方法:

• 开发一个全面的回归模型,整合AMP序列衍生和基因组特征.
• 利用了八个基于AI的架构,包括深度学习与蛋白质语言模型嵌入.
• 通过结合双向长短期记忆 (BiLSTM),卷积神经网络 (CNN) 和多分支模型 (MBM) 架构,构建了一个整体模型.

主要成果:

• 整体模型在预测测试验细菌菌株的MIC值方面表现出高准确性.
• 取得的皮尔森相关系数为*S. aureus*的0.756,*E. coli*的0.781和*P. aeruginosa*的0.802.
• 与单个模型相比,综合人工智能方法显著提高了预测性能.

结论:

• 开发的整体模型准确地预测AMP最小抑制度 (MICs).
• 这种预测能力对于加速AMP在抗生素耐药性的发现和应用至关重要.
• 这项研究为进一步改进抗菌药物开发中的AI模型提供了坚实的基础.