Computer-aided Discovery of Peptides that Specifically Attack Bacterial Biofilms
Notice bibliographique
Résumé
Abstract Biofilms represent a multicellular growth state of bacteria that are intrinsically resistant to conventional antibiotics. It was recently shown that a synthetic immunomodulatory cationic peptide, 1018 (VRLIVAVRIWRR-NH 2 ), exhibits broad-spectrum antibiofilm activity but the sequence determinants of antibiofilm peptides have not been systematically studied. In the present work, a peptide library consisting of 96 single amino acid substituted variants of 1018 was SPOT-synthesized on cellulose arrays and evaluated against methicillin resistant Staphylococcus aureus (MRSA) biofilms. This dataset was used to establish quantitative structure-activity relationship (QSAR) models relating the antibiofilm activity of these peptides to hundreds of molecular descriptors derived from their sequences. The developed 3D QSAR models then predicted the probability that a peptide would possess antibiofilm activity from a library of 100,000 virtual peptide sequences in silico . A subset of these variants were SPOT-synthesized and their activity assessed, revealing that the QSAR models resulted in ~85% prediction accuracy. Notably, peptide 3002 (ILVRWIRWRIQW-NH 2 ) was identified that exhibited an 8-fold increased antibiofilm potency in vitro compared to 1018 and proved effective in vivo , significantly reducing abscess size in a chronic MRSA mouse infection model. This study demonstrates that QSAR modeling can successfully be used to identify antibiofilm specific peptides with therapeutic potential.
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 | 0,001 | 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 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 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 ».