生成性潜伏扩散语言建模产生了抗感染性合成
Marcelo D T Torres1,2,3,4, Tianlai Chen5, Fangping Wan1,2,3,4
1Machine Biology Group, Departments of Psychiatry and Microbiology, Institute for Biomedical Informatics, Institute for Translational Medicine and Therapeutics, Perelman School of Medicine, University of Pennsylvania, Philadelphia, Pennsylvania, United States of America.
bioRxiv : the preprint server for biology
|February 20, 2025
概括
生成型人工智能使用AMP-扩散模型快速发现新型抗菌 (AMP). 这些人工智能设计的体对具有低毒性的耐药细菌表现出广泛的活性,为抗生素耐药性提供了一个有前途的战略.
科学领域:
- 生物技术是生物技术.
- 计算生物学 计算生物学
- 药物发现 药物发现 药物发现
背景情况:
- 抗微生物 (AMP) 设计面临着巨大的序列空间和复杂的结构-活性关系的挑战.
- 传统方法难以有效地导航抗生素发现的多样性.
- 抗菌素耐药性需要新的治疗策略.
研究的目的:
- 引入AMP-扩散,一种用于加速抗微生物设计的新型生成性人工智能 (AI) 模型.
- 发现和验证具有广泛活性和低毒性的新型抗生素候选药物.
- 展示人工智能驱动平台在解决抗菌素耐药性的潜力.
主要方法:
- 开发了AMP-Diffusion,这是一个使用蛋白质语言模型嵌入的AMP序列上微调的潜在扩散模型.
- 产生了5万个候选序列,使用APEX预测模型进行过和排名.
- 合成和实验验证了46个顶级候选物,包括体外试验和临床前小鼠模型.
主要成果:
- AMP-扩散成功产生了有前途的抗生素候选者.
- 经验证的呈现出广泛的抗菌活性,对抗病原体,包括多药耐药菌株.
- 类具有较低的细胞毒性,通过膜破坏有效杀死细菌,在小鼠感染模型中的有效性与现有的抗生素相比较.
结论:
- AMP-Diffusion是一个强大的生成平台,用于设计新型抗菌和抗生素.
- 人工智能驱动的体设计提供了一种有前途的策略,以打击抗微生物药物耐药性日益增长的威胁.
- 开发的体显示出作为具有有利安全性概况的有效治疗药物的潜力.
