人工智能驱动的抗微生物的表征揭示了药物设计的新型动机
Sarala Padi1, Kinjal Mondal2,3,4, David P Hoogerheide5
1Information Technology Laboratory (ITL), NIST, Gaithersburg, MD, 20899, USA. sarala.padi@nist.gov.
Scientific reports
|December 30, 2025
概括
研究人员使用主题模型开发了一种新的动机分析方法,以发现抗微生物 (AMP),可以对抗抗微生物耐药性 (AR). 这种方法有效地识别了具有较低最小抑制度的强效AMP.
科学领域:
- 生物化学 生物化学
- 计算生物学 计算生物学
- 微生物学 微生物学
背景情况:
- 抗菌素耐药性 (AR) 的增加需要超越传统抗生素的新疗法策略.
- 抗微生物 (AMP) 通过破坏细菌膜提供了一个有希望的替代品,但它们的机制需要更深入的理解.
- 基于动机的分析对于识别AMP序列中的功能模式至关重要.
研究的目的:
- 通过整合主题模型来增强对抗微生物 (AMP) 的基于动机的分析.
- 开发一个数据分析工具,用于提取和评估AMP动机及其生物化学特性.
- 为了比较主题模型衍生的动机与传统的基于频率的动机来预测抗菌活性.
主要方法:
- 应用主题建模来识别AMP中的序列元素之间的上下文关系.
- 开发了一个用于图案提取,生物化学特征分析和膜活动预测的数据分析工具.
- 利用进化规模建模 (ESM) 进行结构预测和生物相关性评估.
- 进行了对图案演变,序列属性和度的比较分析.
主要成果:
- 主题模型衍生动机显示与抗菌活性有很强的关联.
- 与基于频率的图案相比,这些图案显示出较低的最小抑制度 (MIC) 值.
- 主题模型有效地捕获了AMP序列中的上下文信息,优于传统方法.
- 对比分析突出了动机演变和序列级属性的差异.
结论:
- 主题建模提供了一个强大的,数据驱动的方法来增强AMP动机发现.
- 这种方法提供了一种更有效的策略,用于识别有效的AMP来打击抗菌素耐药性.
- 开发的数据分析工具有助于对AMP膜活性和生物相关性的可靠预测.
