Can ‘Bacterial-Metabolite-Likeness' Model Improve Odds of ‘in Silico' Antibiotic Discovery?
Notice bibliographique
Résumé
'Inductive' QSAR descriptors have been used to develop the series of QSAR models enabling 'in silico' distinguishing between antimicrobial compounds, conventional drugs, and druglike substances. The constructed neural network-based models operating by 30 'inductive' parameters have been validated on an extensive set of 2686 chemical structures and resulted in up to 97% accurate separation of the three types of molecular activities. The demonstrated ability of 'inductive' parameters to adequately capture molecular features determining 'antibiotic-like' and 'druglike' potentials have been further utilized to construct a model of 'Bacterial-Metabolite-Likeness' (BML). The same 'inductive' descriptors have been used to train a neural network that could very accurately recognize substances involved into bacterial metabolism (that have been experimentally identified). When the developed model has been applied to the mixed set of antimicrobials, drugs, and druglike chemicals (not used for training the BML model), it exhibited a 2-5-fold recognition preference toward antimicrobial compounds compared to general drugs and an 18- to 45-fold preference when compared to a druglike substance (depending on the model stringency). These results illustrate immanent similarity between conventional antimicrobials and native bacterial metabolites and suggest that the developed BML model can be an effective classification tool for 'in silico' antibiotic studies.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».