抗微生物的高吞吐量元分析,以表征类特定的治疗候选者:一种in silico方法

科学领域:

• 生物化学和生物信息学
• 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:

• 抗微生物药物耐药性是全球卫生危机,需要新型治疗剂.
• 基于的疗法正在作为传统药物的有希望的替代品获得引力.
• 需要对预测的抗微生物进行全面分析,以了解它们的特性和潜力.

研究的目的:

• 对预测的抗微生物 (AMP) 进行大规模的元分析.
• 描述抗菌 (ABPs),抗真菌 (AFPs) 和抗病毒 (AVPs) 的组成和结构特征.
• 开发和验证用于预测活性和识别潜在治疗候选者的机器学习模型.

主要方法:

• 对86.7万个预测的AMP进行元分析,包括组合和动机分析.
• 开发和评估七种用于活动预测的机器学习模型.
• 基于月光特性和使用ColabFold和ChimeraX进行结构预测的化.
• 分子对接分析以评估-蛋白相互作用.

主要成果:

• 确定了ABP,AFP和AVP的独特氨基酸丰富和独特的动机.
• 机器学习模型,特别是ExtraTree,实现了所有类的高预测精度 (AUROC>0.98).
• 过的体表现出有利的月光特性,对接研究证实了与蛋白的强烈相互作用.
• 提出了一份精心策划的高潜力的治疗的清单.

结论:

• 这项研究为ABP,AFP和AVP的特征提供了宝贵的见解.
• 开发的预测模型和数据集可用于帮助科学界在AMP研究中.
• 已识别的代表了开发新型抗菌疗法的有希望的候选人.