基于囊蛋白模式条形码的数据集过增强了机器学习辅助的解释Conos毒素疗法
Rimsha Bibi1, Noshaba Qasmi1, Sajid Rashid1
1National Center for Bioinformatics, Quaid-i-Azam University, Pakistan.
PloS one
|July 11, 2025
概括
螺的甲毒显示了治疗潜力. 机器学习模型通过分析氨酸的模式和结构,准确地预测药物的可行性,从而推动了毒素衍生的药物发现.
科学领域:
- 生物勘探和药物发现
- 生物信息学和计算生物学
- 药理学 药理学是指药理学的学科.
背景情况:
- 螺的毒液是生物活性的丰富来源,具有显著的治疗潜力.
- 了解这些中的氨酸 (Cys) 模式和框架对于药物开发至关重要.
- 分析毒潜力的现有方法可以通过先进的计算方法来增强.
研究的目的:
- 对独特的Cys模式和框架进行全面分析状牛毒.
- 开发和验证用于预测毒素的治疗潜力的机器学习模型.
- 评估新药和已批准的毒药之间的结构和约束性相似性.
主要方法:
- 分析了82个物种的5985个形牛,以确定Cys模式并生成物种级模式条形码.
- 从151 Conus PDB文件中计算Cys二硫化物链接,以评估稳定性.
- 应用随机森林 (RF) 建模与特征提取基于已批准的毒液衍生药物用于治疗潜力的预测.
主要成果:
- 生成了82种Conos物种的物种级Cys模式条形码.
- 开发了一种RF模型,在分类的治疗潜力方面达到90.48%的准确性.
- 确定了批准药物和模型预测的新型之间的结合模式的显著相似之处.
结论:
- 机器学习,特别是射频建模,在预测牛毒的治疗潜力方面表现出很高的准确性.
- 该研究强调了Cys模式条形码和结构分析在毒药药物发现中的实用性.
- 以更大的数据集和优化的特征选择进一步增强模型可以扩大其在药理学研究中的应用.
