整合蛋白质语言模型和分子动力学模拟,发现抗生素化
Ibrahim A Imam1, Shea Bailey1,2, Duolin Wang3
1Department of Chemical and Materials Engineering, University of Kentucky, Lexington, Kentucky 40506, United States.
Langmuir : the ACS journal of surfaces and colloids
|January 15, 2025
概括
研究人员使用深度学习和分子模拟发现了新的抗生素污染. 这一进步扩大了可用于防止医疗设备上的蛋白质吸附的类材料的范围.
科学领域:
- 接口工程 接口工程
- 生物材料科学 生物材料科学
- 计算生物学 计算生物学
背景情况:
- 抗生素污染材料对于生物环境中的设备功能至关重要.
- 目前抗生素污染的发现有限,阻碍了各种应用.
- 开发新的抗生素污染材料对于先进的接口工程至关重要.
研究的目的:
- 使用先进的计算方法,从微生物组中发现新的抗生素污染.
- 为各种应用扩大可用的抗生素污染材料的范围.
- 验证深度学习和分子动力学在功能性发现中的潜力.
主要方法:
- 使用基础蛋白质语言模型 (ESM2) 开发了一个随机森林模型,并进行了快速调整.
- 采用高通量搜索策略,结合深度学习和分子动力学 (MD) 模拟.
- 建立了抗生素污染和生物污染的平衡数据库,以减轻偏见.
主要成果:
- 从六个选定的序列中确定了五个具有抗生素污染潜力的有前途的候选者.
- 对于有前途的候选人,MD模拟证实了与lyszyme的界面特性和相互作用.
- 证明了集成深度学习和MD模拟用于功能性发现的有效性.
结论:
- 深度学习和分子模拟为发现新型功能材料提供了强大的综合方法.
- 已识别的显示出开发先进的抗生素污染表面的巨大潜力.
- 这种方法扩大了为界面应用创造适应性材料的可能性.
更多相关视频
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
11:56Antimicrobial Peptides Produced by Selective Pressure Incorporation of Non-canonical Amino Acids
Published on: May 4, 2018
12.4K
