教程:用于使用机器学习方法挖掘基因组和蛋白质组的指导方针,用于抗生素发现

科学领域:

• 基因组学和蛋白质组学
• 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:

• 基因组和蛋白质组代表着一个庞大的,未被探索的分子多样性的来源.
• 传统的方法不足以挖掘这种生物"暗物质"的新化合物.
• 由于传染病的发展,对新的抗菌剂的需求至关重要.

研究的目的:

• 审查计算方法,特别是机器学习和人工智能,用于从基因组和蛋白质组数据中识别抗菌化合物.
• 为了突出"加密"和小型开放式读取框架编码分子的发现.
• 提出未来的研究方向,并讨论实验验证方法.

主要方法:

• 应用计算策略,包括机器学习和人工智能 (AI),分析基因组和蛋白质组序列.
• 识别来自较大的蛋白质的蛋白质分解裂变而产生的 ("加密").
• 发现了由小型开放式读取 (sORFs) 编码的分子.

主要成果:

• 计算挖矿已经成功地确定了各种各样的新型抗微生物分子.
• 加密和sORF编码的是重要的,广泛的生物活性化合物的来源.
• 这些方法正在加速新抗生素的发现管道.

结论:

• 计算工具,特别是人工智能,正在彻底改变对基因组和蛋白质组"暗物质"的探索,用于药物发现.
• 人工智能与实验验证的整合有望在了解宿主免疫力和打击传染病方面取得重大进展.
• 这种跨学科的方法是加速开发新型抗生素的关键.