Evaluating Different Descriptors for Model Design of Antimicrobial Peptides with Enhanced Activity Toward <i>P. aeruginosa</i>
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The number of isolated drug-resistant pathogenic microbes has increased drastically over the past decades, demonstrating an urgent need for new therapeutic interventions. Antimicrobial peptides have for a long time been looked upon as an interesting template for drug optimization. However, the process of optimizing peptide antimicrobial activity and specificity, using large peptide libraries is both tedious and expensive. Here, we describe the construction of a mathematical model for prediction, prior to synthesis, of peptide antibacterial activity toward Pseudomonas aeruginosa. By use of novel descriptors quantifying the contact energy between neighboring amino acids in addition to a set of inductive and conventional quantitative structure-activity relationship descriptors, we are able to model the peptides antibacterial activity. Cross-correlation and optimization of the implemented descriptor values have enabled us to build a model (Bac2a- #2) that was able to correctly predict the activity of 84% of the tested peptides, within a twofold deviation window of the corresponding IC50 values, measured earlier. The predictive power, is an average of 10 submodels, each predicting the activity of 20 randomly excluded peptides, with a predictive success of 16.7 +/- 1.6 peptides. The model has also been proven significantly more accurate than a simpler model (Bac2a- #1), where the inductive and conventional quantitative structure-activity relationship descriptors were excluded.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle