通过化学信息和针对性活动指导的算法搜索最佳描述器子集,用于抗微生物预测
Luis A García-González1, Yovani Marrero-Ponce2,3, César R García-Jacas4,5
1Centro de Nanociencias y Nanotecnología, Universidad Nacional Autónoma de México, Km. 107 Carretera Tijuana-Ensenada, Ensenada, Baja California C. P. 22860, México.
Journal of chemical information and modeling
|June 18, 2025
概括
本研究介绍了AExOp-DCS算法,用于优化抗微生物 (AMP) 建模中的描述器. 该方法通过识别关键的结构和活动相关特征来提高AMP预测的准确性和效率.
科学领域:
- 计算化学和生物信息学
- 药物的发现和开发.
- 酸科学是一种科学.
背景情况:
- 抗微生物 (AMP) 显示出对抗多药耐药性病原体的前景.
- 计算式AMP预测方法存在,但浅层学习模型严重依赖于手动功能工程.
- 手动功能工程可能会忽略AMP建模的关键信息.
研究的目的:
- 研究AExOp-DCS算法的应用,以优化AMP建模中的描述器子集.
- 评估AExOp-DCS是否可以识别改善AMP预测性能的描述符集.
- 为AMP发现开发一种更有效的计算方法.
主要方法:
- 利用AExOp-DCS算法进行自动功能域优化.
- 根据化学结构和生物活性确定了最佳描述器子集.
- 使用AExOp-DCS优化描述符开发和评估AMP模型.
- 与最先进的AMP预测模型进行性能比较.
主要成果:
- AExOp-DCS确定了具有与现有顶级模型相比较的信息内容的描述符.
- 优化的描述符显示出更高的辨别能力.
- 使用AExOp-DCS描述符的AMP模型在使用更少的功能时实现了可比性能.
- 这种方法可以在不牺牲准确性的情况下减少维度.
结论:
- AExOp-DCS提供了一种有效的方法来选择AMP建模的最佳描述符.
- 这种方法提高了AMP发现计算管道的效率.
- 免费使用的Java软件AExOp-DCS-SEQ促进了描述符的搜索和AMP分类.
更多相关视频
08:31Biosensor-based High Throughput Biopanning and Bioinformatics Analysis Strategy for the Global Validation of Drug-protein Interactions
Published on: December 1, 2020
5.1K
05:08Application of I TASSER, trRosetta, UCSF Chimera, HADDOCK server, and HEX loria for De Novo and In Silico Design of Proteins
Published on: July 8, 2025
388
