An engineered arginine-rich α-helical antimicrobial peptide exhibits broad-spectrum bactericidal activity against pathogenic bacteria and reduces bacterial infections in mice
Notice bibliographique
Résumé
The increase in the prevalence of antibiotic-resistant bacteria has become a major public health concern. Antimicrobial peptides (AMPs) are emerging as promising candidates addressing this issue. In this study, we designed several AMPs by increasing α-helical contents and positive charges and optimizing hydrophobicity and amphipathicity in the Sushi 1 peptide from horseshoe crabs. A neural network-based bioinformatic prediction tool was used for the first stage evaluations of peptide properties. Among the peptides designed, Sushi-replacement peptide (SRP)-2, an arginine-rich and highly α-helical peptide, showed broad-spectrum bactericidal activity against both Gram-positive and Gram-negative bacteria, including methicillin-resistant Staphylococcus aureus and multidrug-resistant Acinetobacter baumannii; nevertheless, it showed little hemolytic and cytotoxic activity against mammalian cells. Atomic force microscopy results indicated that SRP-2 should interact directly with cell membrane components, resulting in bacterial cell death. SRP-2 also neutralized LPS-induced macrophage activation. Moreover, in an intraperitoneal multidrug-resistant A. baumannii infection mouse model, SRP-2 successfully reduced the bacterial number in ascitic fluid and tumor necrosis factor-α production. Our study findings demonstrate that bioinformatic calculations can be powerful tools to help design potent AMPs and that arginine is superior to lysine for providing positive charges for AMPs to exhibit better bactericidal activity and selectivity against bacterial cells.
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 | 0,000 | 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 | 0,000 |
| 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 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 ».