QSAR modeling and computer‐aided design of antimicrobial peptides
Notice bibliographique
Résumé
The drastic increase in multi-drug-resistant bacteria has created an urgent need for new therapeutic interventions, including antimicrobial peptides, an interesting template for novel drug development. However, the process of optimizing peptide antimicrobial activity and specificity using large peptide libraries is both tedious and expensive. Here we confirm the use of a mathematical model for prediction, prior to synthesis, of peptide antibacterial activity toward the antibiotic resistant pathogen Pseudomonas aeruginosa. By the use of novel descriptors quantifying the contact energy between neighboring amino acids, as well as a set of inductive and conventional QSAR descriptors, we were able to model the antibacterial activity of peptides. Cross-correlation and optimization of the implemented descriptor values enabled us to build two models, using very limited sets of peptides, which were able to correctly predict the activity of 85 or 71% of the tested peptides, within a twofold deviation window of the corresponding previously assessed IC(50) values, measured earlier. Though these two models were significantly different in size, they demonstrated no significant difference in their predictive power, implying that it is possible to build powerful predictive models using even small sets of structurally different peptides, when using contact-energy descriptors and inductive and conventional QSAR descriptors in the model design.
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.
Comment cette classification a été obtenuedéplier
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».