The PepSAVI‐MS Pipeline for Natural Product Bioactive Peptide Discovery
Notice bibliographique
Résumé
The recent increase in multidrug‐resistant pathogens and associated morbidity/mortality demonstrate the immediate need for new antibiotic backbones with novel mechanisms of action. While natural products are a well‐studied source of biologically active small molecules, peptidyl factors contributing to their medicinal properties remain largely unexplored. To this end, we have developed the PepSAVI‐MS ( S tatistically‐guided bio ac tive peptides prioritized via ma ss sp ectrometry) pipeline to identify bioactive peptide targets from complex biological samples. To validate this pipeline, we have demonstrated successful detection and identification of a known antimicrobial peptide, cycloviolacin O2 (cyO2), from the botanical species Viola odorata . Additionally, we have widened the known antimicrobial spectrum for V. odorata cyclotides, including antibacterial activity of cyO2 against E. faecium and A. baumannii . We further demonstrate the broad applicability of the platform through the identification of novel anticancer activities for cycloviolacins by their cytotoxicity against ovarian, breast and prostate cancer cell lines. The developed platform is highly versatile as it is adaptable to any natural product source of peptides and can test against diverse physiological targets, including bacteria, fungi, viruses, protozoans, and cancer cells for which there is a developed bioassay. As such, we demonstrate extension of the pipeline to bacterial and fungal‐sourced AMPs through identification of the killer toxin KP4 from Ustilago maydis and the bacteriocin Bac‐21 from Enterococcus faecalis harboring pPD1. Using the validated pipeline, we begin to probe the vast array of natural product sources to prioritize highly active species for downstream analysis.
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 | 0,000 | 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 | 0,001 | 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) | 0,000 | 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 ».