AMPCliff:对抗微生物中的活性悬崖的定量定义和基准测试
Kewei Li1, Yuqian Wu2, Yinheng Li3
1College of Computer Science and Technology, and Key Laboratory of Symbolic Computation and Knowledge Engineering of Ministry of Education, Jilin University, Changchun, Jilin 130012, China.
Journal of advanced research
|May 3, 2025
概括
抗微生物 (AMP) 中的活性悬崖 (AC) 是常见的,有一个新的框架,AMPCliff,定义和对其预测进行基准测试. 虽然模型显示出希望,但整合动态信息是提高AMP活动悬崖预测准确度的关键.
科学领域:
- 计算化学是一种计算化学.
- 药物发现 药物发现
- 生物信息学是一种生物信息学.
背景情况:
- 活性悬崖 (AC) 代表了类似分子之间生化活性的显著差异,影响了药物开发.
- 虽然小分子中的AC已得到充分研究,但使用正规氨基酸的抗菌 (AMP) 中的AC仍未得到充分研究.
研究的目的:
- 介绍AMPCliff,这是对抗微生物 (AMPs) 中活性悬崖的定量定义和基准测试框架.
- 评估各种机器学习和深度学习模型在预测AMP活动悬崖方面的性能.
主要方法:
- 从GRAMPA数据库中建立了对抗黄金葡萄球菌的配对AMP的基准数据集.
- 评估了九种机器学习,四种深度学习,四种掩面语言和四种生成语言模型用于AMP AC预测.
- 使用最小抑制度 (MIC) 和 0.9.9 的正常化BLOSUM62相似度值定义了AC.
主要成果:
- 在AMP中确定的活动悬崖的显著流行.
- 预先训练的蛋白质语言模型ESM2在评估模型中表现优越.
- 在ESM2实现了0.4669的斯皮尔曼相关系数,用于预测-log (MIC) 值,这表明有改进的余地.
结论:
- 目前的深度学习模型在准确捕获AMP属性方面存在局限性.
- 整合原子级动态信息对于提高AMP活动和行动机制的预测至关重要.


