相关实验视频
Updated: Jun 4, 2025
A Tripeptide-Stabilized Nanoemulsion of Oleic Acid
Published on: February 27, 2019
从使用深度学习的自然和生成序列发现抗癌
Jianda Yue1, Tingting Li1, Jiawei Xu1
1The National and Local Joint Engineering Laboratory of Animal Peptide Drug Development, College of Life Sciences, Hunan Normal University, Changsha 410081, Hunan, China; Peptide and small molecule drug R&D plateform, Furong Laboratory, Hunan Normal University, Changsha 410081, Hunan, China; Institute of Interdisciplinary Studies, Hunan Normal University, Changsha 410081, Hunan, China.
这项研究介绍了CNBT-ACPred,这是一个先进的AI模型,用于预测抗癌 (ACP). 经过广泛的实验验证,它显著改善了ACP的发现,并确定了像tPep14这样的癌症治疗有前途的候选者.
科学领域:
- 生物化学 生化学
- 计算生物学 计算生物学
- 在瘤学瘤学.
背景情况:
- 抗癌 (ACP) 提供向的癌细胞杀伤,对临床应用至关重要.
- 现有的人工智能 (AI) 预测模型往往缺乏强大的实验验证,阻碍了新发现.
- 需要验证的人工智能工具,以加快有效ACP的识别和发展.
研究的目的:
- 开发和验证 CNBT-ACPred,这是一种用于预测抗癌的新型深度学习模型.
- 通过人工智能和实验验证,增强新型ACP的发现管道.
- 识别和描述具有潜在治疗应用的有力的非洲和非洲国家和地区候选药物.
主要方法:
- 开发CNBT-ACPred,这是一个用于ACP预测的三通道深度学习架构.
- 广泛的体外和体内实验验证预测的非洲和非洲国家候选人的实验验证.
- 使用Uniprot和深度生成模型进行大规模序列选.
主要成果:
- CNBT-ACPred实现了高精度 (0.9554) 和MCC (0.8602),超过了现有的模型.
- 从数百万个序列中确定了41个候选中的37个具有体外瘤抑制活性.
- tPep14在小鼠模型中表现出显著的体内抗癌疗效,没有可检测的毒性.
结论:
- CNBT-ACPred代表了一种有效和有效的工具,可以加速非洲和非洲的发现.
- 该研究确定了包括tPep14在内的有前途的ACP候选人,用于进一步的临床前和临床开发.
- 已确立的氨基酸组成,结构和特定的ACP的功能之间的相关性为未来的药物设计提供了洞察力.
更多相关视频
07:32Screening and Identification of Small Peptides Targeting Fibroblast Growth Factor Receptor2 using a Phage Display Peptide Library
Published on: September 30, 2019
08:27Detection of Human Leukocyte Antigen Biomarkers in Breast Cancer Utilizing Label-free Biosensor Technology
Published on: March 24, 2015
