使用基于深度学习的序列分析,对抗微生物中的血液溶解活性进行了增强的预测
Ibrahim Abdelbaky1, Mohamed Elhakeem2, Hilal Tayara3
1Artificial Intelligence Department, Faculty of Computers and Artificial Intelligence, Benha University, Benha, Egypt. ibrahim.abdelbaky@fci.bu.edu.eg.
BMC bioinformatics
|November 28, 2024
概括
一个新的深度学习模型预测了抗微生物 (AMP) 溶血,减少红细胞损伤. 这促进了对细菌感染的更安全的AMP药物开发.
科学领域:
- 生物化学 生物化学
- 计算生物学 计算生物学
- 药理学 药理学是指药理学的学科.
背景情况:
- 抗微生物 (AMP) 显示出广泛的抗微生物活性,为新疗法提供了潜力.
- AMP的临床使用受到其溶血活性的阻碍,导致红细胞的破坏.
- 开发具有降低血液溶解的AMP对于安全有效的治疗应用至关重要.
研究的目的:
- 开发一种深度学习模型,用于预测抗微生物的溶血活性.
- 利用卷积神经网络 (CNN) 在AMP中准确预测血解.
- 促进设计更安全的AMP用于临床使用.
主要方法:
- 序列使用一次热编码进行编码.
- 采用了一个卷积神经网络 (CNN) 架构,具有卷积和完全连接的层.
- 该模型在六个不同的数据集 (HemoPI-1,HemoPI-2,HemoPI-3,RNN-Hem,Hlppredfuse,AMP-Combined) 上进行了训练和验证.
主要成果:
- 在多个数据集中,CNN模型实现了高预测性能.
- 马修的相关系数从0.5614到0.9274不等,显示出强大的准确性.
- 开发的模型超过了预测AMP溶血活性的现有方法.
结论:
- 深度学习模型有效地预测AMP溶血活性.
- 这种预测能力有助于设计具有最小毒性的AMP.
- 这项研究支持AMP作为更安全的治疗药物对抗细菌感染的发展.
更多相关视频
06:50Author Spotlight: A Computational Approach to Decipher Amino Acid Preferences in Multispecific Protein-Protein Interactions
Published on: January 26, 2024
1.7K
08:31Biosensor-based High Throughput Biopanning and Bioinformatics Analysis Strategy for the Global Validation of Drug-protein Interactions
Published on: December 1, 2020
4.9K
