通过物种意识的语言模型,通过人工智能引导发现和优化抗微生物
Daehun Bae1, Minsang Kim2, Jiwon Seo2
1Department of Electrical Engineering and Computer Science, Gwangju Institute of Science and Technology (GIST), Buk-gu, Gwangju 61005, Republic of Korea.
Briefings in bioinformatics
|July 18, 2025
概括
这项研究介绍了LLAMP,这是一种用于预测抗微生物 (AMP) 活性的AI模型. LLAMP对数百万个序列进行了选,确定了有效的候选人来对抗抗生素耐药性.
科学领域:
- 生物化学 生物化学
- 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:
- 抗生素耐药性需要新的抗菌剂.
- 抗微生物 (AMP) 由于其多样化的机制和较低的耐药性发展,提供了一个有希望的替代品.
- 目前用于AMP发现的方法通常是缓慢和资源密集的.
研究的目的:
- 开发和验证一个针对目标物种的AI模型,LLAMP (AMP活动预测的大型语言模型),用于预测AMP活动.
- 加速发现具有高强度和选择性的新型AMP.
- 为了确定影响AMP疗效的关键氨基酸残留物.
主要方法:
- 利用预先训练的语言模型创建LLAMP来预测最小抑制度 (MIC) 值.
- 使用LLAMP.选了大约550万个序列.
- 分析了注意值,以确定关键的氨基酸残留物,并设计了一个有前途的序列 (13-5).
主要成果:
- LLAMP成功预测了AMP活性,并确定了13 (最有选择性) 和16 (最强效) .
- 关键残留物如Trp,Lys和Phe被确定为AMP活性重要的.
- 工程化13-5显示出增强的抗微生物活性和强度与pexiganan相比,尽管选择性降低.
结论:
- 人工智能,特别是LLAMP,可以显著加快新型基抗生素的发现.
- 鉴定到的体显示出对抗抗生素耐药细菌的潜力.
- 基于人工智能驱动的洞察力的有针对性的工程可以优化AMP属性用于治疗应用.
