精油作为抗菌剂对抗Acinetobacter baumannii:实验和文献数据来定义使用机器学习算法的预测定量成分-活动关系模型
Roberta Astolfi1, Alessandra Oliva2, Antonio Raffo3
1Rome Center for Molecular Design, Department of Drug Chemistry and Technology, Sapienza University of Rome, Piazzale Aldo Moro 5, Rome 00185, Italy.
Journal of chemical information and modeling
|January 23, 2025
概括
这项研究使用机器学习将精油的化学成分与对抗耐药细菌的抗菌活性联系起来. 这些发现使得能够为临床使用设计生物标准化精油.
科学领域:
- 自然产品 化学 化学
- 计算化学计算化学
- 微生物学 微生物学
背景情况:
- 精油 (EOs) 具有广泛的生物活性,但由于化学变异性和不稳定性,面临临临床应用挑战.
- 通过化学成分来标准化EO很困难;然而,不同化学配置中的类似生物活动表明,通过效果进行标准化是可能的.
- 耐卡巴胺的 *Acinetobacter baumannii* 构成重大威胁,需要新的治疗策略.
研究的目的:
- 研究精油 (EO) 的化学成分与对抗抗卡巴耐药*Acinetobacter baumannii*的抗菌活性之间的关系.
- 开发和验证基于化学成分的机器学习模型,以预测EO抗菌功效.
- 探索设计具有最佳抗菌和低细胞毒性特性的生物标准化EO的潜力.
主要方法:
- 从实验数据和AI4EssOil数据库中编制了82个具有已知最小抑制度 (MIC) 值的EO数据集.
- 采用机器学习算法 (SVM,随机森林,梯度提升,决策树,KNN) 来构建定量组成-活动关系 (QCAR) 模型.
- 利用Skater方法论进行特征重要性分析,并通过实验数据和细胞毒性测试验证实模型预测.
主要成果:
- 机器学习模型实现了91%的EO新样本抗菌活性预测准确度.
- 关键的化学成分,如利蒙,白醇,α-pinene和卡瓦克罗尔被确定为抗菌疗效的关键.
- 对细胞毒性数据的分析揭示了设计具有高抗菌活性和低细胞毒性的有利平衡的EO的潜力.
结论:
- 机器学习模型可以准确地预测精油的抗菌活性,从而促进了标准化的EO的开发.
- 识别关键活性成分允许合理设计和优化EO用于治疗应用.
- 这种方法支持精油向标准化,临床适用的抗微生物剂的进步.
更多相关视频
08:37The Application of Open Searching-based Approaches for the Identification of Acinetobacter baumannii O-linked Glycopeptides
Published on: November 2, 2021
2.2K
07:41Author Spotlight: A Comprehensive Protocol for Acinetobacter Biofilm Quantification, Assessment, and Visualization
Published on: August 4, 2023
3.1K
