dsAMP和dsAMPGAN:用于识别和生成抗菌的深度学习网络

科学领域:

• 计算生物学是一种计算生物学.
• 药物发现 药物发现
• 生物信息学是一种生物信息学.

背景情况:

• 抗生素耐药性对全球健康构成重大威胁.
• 抗微生物 (AMP) 提供了一个有前途的替代品,因为它们的非特异性机制,减少了耐药性的发展.
• 计算方法,特别是深度学习,对于识别和设计新的AMP来说越来越重要.

研究的目的:

• 开发一种新的深度学习框架,用于AMP的分类,功能预测和生成.
• 创建一个强大的AMP预测器和一个用于新型AMP候选合成的生成模型.
• 解决对抗抗生素耐药性病原体的新治疗剂的迫切需要.

主要方法:

• 开发发现AMP (dsAMP),一个卷积神经网络 (CNN) 注意力双向长期短期记忆 (BiLSTM) 模型,包含用于AMP分类的转移学习.
• 实施dsAMPGAN,一个生成对抗网络 (GAN),用于新一代AMP候选人的新一代.
• 严格评估dSAMP的性能,使用诸如灵敏度,特异性,精度和AUC等指标,并评估dSAMPGAN生成的的特性.

主要成果:

• 与现有分类器相比,dsAMP模型表现出优异的性能,通过转移学习实现了超过95%的分类准确性.
• dsAMP表现出高灵敏度,特异性,马修相关系数,精度,F1得分和AUC.
• dsAMPGAN成功地产生了新的AMP候选物,其物理和化学特性与天然AMP相美.

结论:

• 开发的深度学习框架dsAMP和dsAMPGAN为识别和设计新型AMP提供了可靠和有效的工具.
• 这些计算工具可以加速用于临床应用的新AMP的发现,有助于打击抗生素耐药性.
• 该研究强调了深度学习在推动基于的药物发现和打击抗菌素耐药性的潜力.