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

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.