加快抗微生物的设计:利用深度学习来快速发现.
Ahmad M Al-Omari1, Yazan H Akkam2, Ala'a Zyout1
1Biomedical Systems and Informatics Engineering Department, College of Engineering, Yarmouk University, Irbid, Jordan.
PloS one
|December 20, 2024
概括
机器学习和深度学习显著提高了抗微生物 (AMP) 的发现. 深度学习在预测AMP对大肠杆菌的疗效方面实现了92.9%的准确性,为药物开发提供了更快的速度.
科学领域:
- 计算生物学是一种计算生物学.
- 生物技术是生物技术.
- 传染病研究传染病研究.
背景情况:
- 抗微生物 (AMP) 对于对抗感染至关重要.
- 由于耐药性不断发展,开发新的AMP是必不可少的.
- 机器学习 (ML) 为AMP开发提供了新的途径,克服了实验限制.
研究的目的:
- 使用ML和深度学习 (DL) 预测抗微生物的疗效.
- 在AMP发现中克服传统实验方法的限制.
- 开发一个框架来识别针对大肠杆菌的强效抗微生物.
主要方法:
- 对抗大肠杆菌活性评估了1360个序列.
- 与34个物理化学特征相关的最小抑制度.
- 实施了两种ML/DL方法: 1) 物理化学属性, 2) 特征转换为神经网络的图像.
主要成果:
- 使用物理化学属性的ML方法实现了74%的准确性.
- 使用图像转换特征的DL方法实现了92.9%的准确性.
- 这两种方法都显示出适应其他类型的 (抗微生物,抗病毒,抗癌) 的潜力.
结论:
- 深度学习在预测AMP疗效方面显著优于传统的ML.
- 开发的框架为药物发现提供了大量的时间和成本削减.
- 这项研究促进了AMP药物发现和药理学中的深度学习应用.
