基于深度学习的抗菌化合物的虚拟查
Gabriele Scalia1, Steven T Rutherford2, Ziqing Lu3
1gRED Computational Sciences, Genentech Research and Early Development, San Francisco, CA, USA. scalia.gabriele@gene.com.
Nature biotechnology
|October 24, 2025
概括
新的深度学习模型通过选数十亿个分子来加速抗生素的发现,识别具有改进的命中率和独特结构的抗菌化合物.
科学领域:
- 药用化学 医学化学
- 计算生物学 计算生物学
- 微生物学 微生物学
背景情况:
- 越来越多的抗药性细菌需要新型抗生素的开发.
- 现有的抗生素发现方法面临速度和范围的局限性.
研究的目的:
- 将高通量查 (HTS) 与深度学习 (DL) 整合起来,以实现高效的抗菌发现.
- 开发和验证用于预测抗菌活性的DL模型 (GNEprop).
- 识别具有高强度和选择性的新型抗菌化合物.
主要方法:
- 使用HTS对敏感的大肠杆菌菌株选了大约200万个小分子.
- 在HTS数据上训练了一种DL模型 (GNEprop),以预测抗菌活性.
- 通过训练DL模型对超过14亿种化合物进行虚拟选.
主要成果:
- 识别了成千上万的HTS最初的成功.
- 与HTS相比,在虚拟选中实现了90倍更好的成功率.
- 发现了82种具有抗菌活性的化合物,其中许多与已知的抗生素不同.
- 对于新发现的化合物,已验证的特定生物标.
结论:
- 综合的HTS和DL方法显著提高了抗菌发现效率.
- GNEprop模型表现出强大的预测能力和概括能力.
- 鉴定出新的抗菌候选药物为对抗耐药性细菌感染提供了有希望的途径.
相关概念视频
Drug Discovery: Overview
11.0K
Drug discovery is a multifaceted process involving extensive screening, testing, and optimization of lead compounds to identify potential new drugs for therapeutic use. It combines several approaches, including screening large numbers of natural products, chemical modification of known active molecules, identification of new drug targets, and rational design based on biological mechanisms and drug-receptor structure. These approaches are carried out in both academic research laboratories and...
11.0K
Antibiotic Selection
59.4K
Overview
59.4K


