针对大肠杆菌的抑制性的预测,具有所需的MIC值
Nisha Bajiya1, Nishant Kumar1, Gajendra P S Raghava2
1Department of Computational Biology, Indraprastha Institute of Information Technology, Delhi, Okhla Industrial Estate, Phase III (Near Govind Puri Metro Station), A-302 (R&D Block), New Delhi, 110020, India.
Scientific reports
|February 7, 2025
概括
对抗大肠杆菌抗菌的最低抑制度 (MIC) 的预测至关重要. 这项研究开发了使用特征和大型语言模型的机器学习模型,实现高精度和在线预测工具.
科学领域:
- 生物化学 生物化学
- 计算生物学 计算生物学
- 微生物学 微生物学
背景情况:
- 预测抗菌和抗菌已确立,但估计它们的最小抑制度 (MIC) 值仍然具有挑战性.
- 准确的MIC预测对于开发针对细菌感染的有效抗菌疗法至关重要.
研究的目的:
- 开发针对大肠杆菌 (大肠杆菌) 的抗菌的MIC值的强有力的预测模型.
- 确定与MIC值相关的关键特征,并将模型性能与现有方法进行比较.
主要方法:
- 使用3143和786的数据集实验确定了大肠杆菌抗菌的MIC值,用于培训和验证.
- 采用机器学习回归模型,整合组成,二进制配置文件和大型语言模型嵌入.
- 应用了像mRMR这样的特征选择技术来优化模型输入,并开发了构成增强过渡和分布 (CeTD) 属性.
主要成果:
- 随机森林回归器在验证集上实现了0.78的相关系数 (R),0.59的R2和0.53的RMSE.
- 开发的模型在独立数据集上的现有方法相比,显示出更高的性能.
- 构成增强过渡和分布 (CeTD) 属性与MIC值有显著的相关性.
结论:
- 整合各种特征的机器学习模型,包括LLM嵌入,对预测抗菌MIC值对大肠杆菌有效.
- 该研究确定了CeTD属性作为MIC的重要预测因素,并开发了一个用于设计的网络工具 (EIPpred).
- 这项工作推动了新型抗菌的开发,具有可预测的疗效.
