利用蛋白质语言模型进行强大的抗微生物检测.
Lichao Zhang1, Shuwen Xiong2, Lei Xu3
1School of Intelligent Manufacturing and Equipment, Shenzhen Institute of Information Technology, Shenzhen 518172, China.
Methods (San Diego, Calif.)
|March 6, 2025
概括
这项研究介绍了PLAPD,这是一个新的深度学习框架,用于预测抗微生物 (AMP). PLAPD提供了一种更快,更准确的方法来发现新型AMP来对抗抗生素耐药性.
科学领域:
- 生物化学 生物化学
- 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) 在打击抗生素耐药性方面表现有前途.
- 传统的AMP识别是缓慢且资源密集的.
- 深度学习,特别是蛋白质语言模型 (PLM),为AMP预测提供了新的可能性.
研究的目的:
- 开发和评估PLAPD,这是一个用于准确和高通量抗微生物 (AMP) 分类的新框架.
- 利用预先训练的蛋白质语言模型 (PLMs) 来提高AMP预测.
主要方法:
- 在PLAPD框架内使用预训练的ESM2蛋白语言模型.
- 使用卷积层集成的局部特征提取.
- 通过残余变压器模块内置的全局特征提取.
- 在8,268个序列数据集上对现有的最先进的AMP预测模型进行了对比PLAPD.
主要成果:
- 与现有模型相比,PLAPD表现出优越的性能.
- 实现了高精度 (0.87),精度 (0.9359),特异性 (0.9456),马修斯相关系数 (MCC) (0.7486) 和曲线下面积 (AUC) (0.9225).
结论:
- 在AMP发现方面,PLAPD代表了显著的进步.
- 该框架显示了作为识别新型抗微生物的高通量和准确工具的潜力.
- 强调了将PLM与深度学习架构集成为生物序列分析的有效性.
更多相关视频
13:49Semi-automated Biopanning of Bacterial Display Libraries for Peptide Affinity Reagent Discovery and Analysis of Resulting Isolates
Published on: December 6, 2017
11.4K
08:06The Use of a β-lactamase-based Conductimetric Biosensor Assay to Detect Biomolecular Interactions
Published on: February 1, 2018
8.9K
