预测抗菌活性:基于机器学习的定量结构-活性关系方法
Eliezer I Bonifacio-Velez de Villa1, María E Montoya-Alfaro1, Luisa P Negrón-Ballarte1
1Faculty of Pharmacy and Biochemistry, Universidad Nacional Mayor de San Marcos, Lima 15001, Peru.
Pharmaceutics
|August 28, 2025
概括
机器学习有效地模拟了抗菌 (AMP) 的结构-活性关系,有助于设计新. 分类模型表现优于回归,确定增强抗菌活性的关键物理化学性质.
科学领域:
- 医学化学
- 计算生物学
- 生物技术
背景情况:
- 类药物作为强大的抗菌药物,具有逃避耐药性的机制.
- 设计有效的抗菌 (AMP) 是复杂且耗时的.
- 使用机器学习的定量结构-活动关系 (QSAR) 研究可以指导合理的AMP设计.
研究的目的:
- 使用机器学习建立抗菌的结构-活性关系 (SAR).
- 开发预测模型来估计新型的抗菌活性.
- 确定影响AMP疗效的关键分子描述剂和物理化学性质.
主要方法:
- 采集了使用分子描述器的抗菌活性和特征结构的数据.
- 开发了56个回归和分类模型,主要使用随机森林算法.
- 评估描述物的重要性,并预测新设计的的活性.
主要成果:
- 随机森林模型表现出优异的性能,特别是分类模型 (MCC = 0.662-0.755,ACC = 0.831-0.877).
- 针对特定细菌群体进行训练的模型表现优于使用整个数据集的模型.
- 高抗菌活性的主要描述因素包括较低的分子量,较高的电荷,α-螺旋倾向,较低的疏水性和较高的lysine/serine含量.
结论:
- 机器学习成功阐明了抗菌的结构-活性关系.
- 分类模型在预测抗菌活性方面比回归模型更有效.
- 该研究基于预测模型提出了具有显著抗菌潜力的新设计.
更多相关视频
10:29Quantitative Structure-Activity Relationship, Activity Prediction, and Molecular Dynamics of Non-nucleotide Reverse Transcriptase Inhibitors
Published on: May 9, 2025
1.5K
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
333
