DeepSEA:对抗微生物耐药性蛋白质进行注释的无对齐可解释的方法
Tiago Cabral Borelli1,2,3, Alexandre Rossi Paschoal4,5, Ricardo Roberto da Silva6,7
1Computational Chemical Biology Laboratory, Department of BioMolecular Sciences, School of Pharmaceutical Sciences of Ribeirão Preto, University of São Paulo, Ribeirão Preto, 14040-900, Brazil.
BMC bioinformatics
|September 1, 2025
概括
抗菌药物耐药性 (AMR) 构成了全球严重的健康威胁. 一个新的深度学习模型准确地识别了AMR蛋白质,优于传统方法,并提供了对抗性机制的洞察力.
科学领域:
- 生物信息学
- 计算生物学
- 基因组学
背景情况:
- 抗菌素耐药性 (AMR) 是一个全球性健康挑战,超过了艾滋病毒和疟疾等疾病的影响.
- 目前的抗菌耐药性监测依赖于高相似度值 (> 95%) 的基因组比较,由于参考数据库不完整,导致了显著的假阴性率.
研究的目的:
- 开发一种深度学习方法来准确识别和分类抗菌素耐药性 (AMR) 蛋白.
- 克服AMR监测中的传统序列对齐方法的局限性.
主要方法:
- 训练了一个卷积神经网络 (CNN) 来区分抗药性蛋白与非抗药性蛋白.
- 为了将蛋白质分为9个不同的抗性类别,
- 分析了模型的内部状态,以了解蛋白质分类中的特征重要性.
主要成果:
- 在所有测试的蛋白质类别中,CNN模型实现了高回忆值 (> 0.9),超过了基于对齐的方法.
- 该模型成功识别了参与抗微生物失活的关键蛋白质域.
- 一个开源的生物信息工具DeepSEA被开发用于注释AMR蛋白质.
结论:
- 深度学习,特别是CNN,为AMR蛋白监测提供了一种优越的替代方案.
- 开发的工具为AMR机制提供了宝贵的见解,并有助于跟踪耐药性.
- 对于有效的全球卫生策略来说,准确的AMR蛋白注释至关重要.
更多相关视频
09:26Identification of Antibacterial Immunity Proteins in Escherichia coli using MALDI-TOF-TOF-MS/MS and Top-Down Proteomic Analysis
Published on: May 23, 2021
3.3K
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
