从人工智能驱动的序列生成到分子模拟:抗菌发现的全面框架
Chunsuo Tian1, Yuelei Hao1, Haohao Fu1,2
1Research Center for Analytical Sciences, College of Chemistry, Tianjin Key Laboratory of Biosensing and Molecular Recognition, State Key Laboratory of Medicinal Chemical Biology, Nankai University, Tianjin 300071, China.
Journal of chemical information and modeling
|August 29, 2025
概括
研究人员开发了一种结合深度学习和分子模拟的新计算方法,以发现新的抗菌 (AMP). 这种方法成功地发现了两种有效的AMP对抗耐药细菌,为未来的药物发现提供了成本有效的策略.
科学领域:
- 计算化学和药物发现
- 抗菌的研究
- 生物信息学和机器学习应用
背景情况:
- 细菌对现有抗生素的耐药性是一个日益增长的全球健康威胁.
- 抗微生物 (AMP) 是有前途的,但在临床转化方面面临挑战.
- 深度学习为设计新的AMP提供了新的途径.
研究的目的:
- 开发和验证用于系统的AMP设计和选的综合计算框架.
- 确定具有潜在抗菌活性的新型AMP候选物.
- 建立一个具有成本效益的AMP发现战略.
主要方法:
- 使用基于字符串的生成对抗网络 (GAN) 来生成候选AMP序列.
- 使用PGAT-ABPp区分网络和物理化学分析进行初步选.
- 进行了分子动力学模拟,以评估膜相互作用,并合成了用于体外测试的有希望的候选物.
主要成果:
- 产生了50个候选AMP序列,在初始查后确定了9个潜在候选.
- 分子模拟表明两种选定的在细菌膜中形成水孔.
- 在实验室中,合成的对克拉姆阴性 (大肠杆菌) 和克拉姆阳性 (黄金杆菌) 细菌表现出有效性.
结论:
- 综合计算框架成功发现了两种新的临床相关的抗菌.
- 已发现的AMP对关键的细菌病原体具有广泛的活性.
- 这项研究验证了用于加速AMP发现的具有成本效益和广泛适用的计算策略.
