一个双模型机器学习框架用于可解释的设计和C-化抗菌的集体预测
Dang-Huy Le1, Yujie Zhu2, Tianmeng Zhang2
1School of Engineering, STEM College, RMIT University, Melbourne, Victoria 3000, Australia.
ACS applied materials & interfaces
|March 5, 2026
概括
这项研究介绍了CAmidPred,这是设计和预测C端化抗菌 (AMP) 的新框架. 它通过优化序列和化学修饰来增强AMP对大肠杆菌等细菌的疗效.
科学领域:
- 生物化学 生物化学
- 计算生物学 计算生物学
- 药物发现 药物发现 药物发现
背景情况:
- 抗微生物 (AMP) 是常规抗生素的重要替代品.
- 化学修饰,如C端化,显著提高AMP的疗效,稳定性和耐药性.
- 现有的预测模型往往忽略了这些关键的修改.
研究的目的:
- 开发一个综合框架来设计和预测C端化AMP.
- 针对特定的细菌病原体,以大肠杆菌为例.
- 通过先进的计算方法,提高AMP的现实应用性.
主要方法:
- 综合框架结合了可解释的可解释提升机 (EBM) 设计规则和微调的ESM2深度学习模型进行预测.
- 开发一个计算工具,CAmidPred,用于预测分类和氨基酸模式分析.
- 对已发表的氨酸扫描实验进行验证,以确保可靠性.
主要成果:
- CAmidPred成功地提取了C端化AMP的可操作的序列级设计规则.
- 该框架确定了一种帕达克辛变体,具有针对大肠杆菌的增强活性.
- 在有针对性的AMP设计中证明了双模型方法的实际实用性.
结论:
- 综合双模型框架为设计有效的C终端化AMP提供了强大的方法.
- CAmidPred提供了对序列-活性关系的宝贵见解,促进了合理的药物设计.
- 这种方法促进了新型抗菌剂的开发,以对抗细菌感染.
更多相关视频
06:50Author Spotlight: A Computational Approach to Decipher Amino Acid Preferences in Multispecific Protein-Protein Interactions
Published on: January 26, 2024
2.7K
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
1.2K
