相关实验视频

Updated: Jan 7, 2026

A Method for Selecting Structure-switching Aptamers Applied to a Colorimetric Gold Nanoparticle Assay

A Method for Selecting Structure-switching Aptamers Applied to a Colorimetric Gold Nanoparticle Assay

Published on: February 28, 2015

结构增强的深度学习加速了像类固醇这样的小分子家族的aptamer选择

Zibin Zhao¹, Haosi Lin¹, Hoi Ying Lau¹

¹Department of Chemical and Biological Engineering, The Hong Kong University of Science and Technology, Clear Water Bay, Kowloon, Hong Kong SAR 999077, China.

Briefings in bioinformatics

|December 22, 2025

概括

深度学习辅助的SELEX (DL-SELEX) 通过使用变量自编码器 (VAE) 来设计初始库并分析结果来加速aptamer发现. 这种新的方法显著增强了阿普坦酶亲和力,并减少了对具有挑战性的小分子的选择步骤.

科学领域:

生物技术是生物技术.
计算生物学计算生物学
分子生物学分子生物学

背景情况:

通过指数式丰富 (SELEX) 的联体的系统进化对于发现高亲和度的体来说至关重要.
设计初始的aptamer库和导航广的序列空间是SELEX的关键挑战.
目前的SELEX方法面临的效率和小分子体的合理设计的局限性.

研究的目的:

引入深度学习辅助的SELEX (DL-SELEX),这是一个新的框架,用于增强小分子aptamer发现.
整合深度学习,以合理设计初始的应用程序库,并完善选择过程.
为了证明DL-SELEX对于结构相似的目标的通用性.

主要方法:

开发了一个两步框架DL-SELEX,使用变量自动编码器 (VAE).
使用的AptaVAE用于使用转移学习量身定制的初始aptamer池生成.
利用AptaClux通过捕获共识结构特征来从下一代测序数据中识别高性能aptamer.

主要成果:

DL-SELEX产生了对皮和的亲和力高达450倍的阿马体.
减少了多达80%的SELEX代次数.
演示了深度学习模型可以训练在aptamer设计的结构共同点.

结论:

DL-SELEX提供了一种有效和可通用的策略,以简化体体发现.
这种方法使得能够重新设计高亲和度的体,以挑战小分子.
深度学习的整合显著推进了SELEX用于小分子aptamer选择的工作流.

关键词:

这就是SELEXEX.深度学习是一种深度学习.异热定位热量计异热定位热量计小分子的小分子.类固醇吸收剂的吸收剂.变量自动编码器变量自动编码器

更多相关视频

Selection of Aptamers for Amyloid β-Protein, the Causative Agent of Alzheimer's Disease

Selection of Aptamers for Amyloid β-Protein, the Causative Agent of Alzheimer's Disease

Published on: May 13, 2010

Phthalic Acid Ester-Binding DNA Aptamer Selection, Characterization, and Application to an Electrochemical Aptasensor

Phthalic Acid Ester-Binding DNA Aptamer Selection, Characterization, and Application to an Electrochemical Aptasensor

Published on: March 21, 2018

相关概念视频

Structure-Activity Relationships and Drug Design

Structure-Activity Relationships and Drug Design

Drug design is a dynamic field that involves discovering and developing new medications based on specific biological targets. This process heavily relies on structure-activity relationships (SAR) and quantitative structure-activity relationships (QSAR) to guide the design and optimization of efficient drugs.
SAR studies the intricate relationship between a drug's chemical structure and biological activity. It focuses on understanding how modifications to a drug's structure can influence...