基于分类器驱动的生成对抗网络,用于增强抗微生物设计.

科学领域:

• 计算生物学是一种计算生物学.
• 药物发现 药物发现
• 生物信息学是一种生物信息学.

背景情况:

• 抗生素耐药性是一个日益增长的全球健康威胁.
• 抗微生物 (AMP) 是传统抗生素的一个有希望的替代品.
• 与FBGAN一样,生成对抗网络 (GAN) 在AMP设计中显示出潜力,但可以引入偏见并限制多样性.

研究的目的:

• 为设计抗微生物开发一个改进的计算框架.
• 在AMP生成中克服现有的基于GAN的方法的局限性.
• 增强计算设计的AMP的多样性,功能和治疗潜力.

主要方法:

• 提出了一个新的基于分类器的GAN (cdGAN) 框架.
• 集成分类器预测直接用于适应性学习的生成模型的损失函数.
• 利用基于进化规模建模2 (ESM2) 模型的多任务分类器来并行评估抗微生物活性和结构性质.

主要成果:

• 与传统指导式GAN架构 (条件GAN,辅助分类器GAN) 相比,cdGAN表现出更高的性能.
• 与已建立的AMP设计方法相比,取得了可比或更好的结果.
• 成功实现了多个属性的同时优化,包括抗微生物活性和结构性质.

结论:

• cdGAN提供了一种有效和适应性的方法来增强AMP生成.
• 该框架提高了设计可行的治疗候选药物的可能性,提高了有效性和降低了毒性.
• cdGAN代表了对抗微生物药物的计算药物发现的重大进步.