ProT-Diff: A Modularized and Efficient Approach to De Novo Generation of Antimicrobial Peptide Sequences through Integration of Protein Language Model and Diffusion Model
Notice bibliographique
Résumé
Abstract Antimicrobial Peptides (AMPs) represent a promising class of antimicrobial agents crucial for combating antibiotic-resistant pathogens. Despite the emergence of deep learning approaches for AMP discovery, there remains a gap in efficiently generating novel AMPs across various amino acid lengths without prior knowledge of peptide structures or sequence alignments. Here we introduce ProT-Diff, a modularized and efficient deep generative approach that ingeniously combines a pre-trained protein language model with a diffusion model to de novo generate candidate AMP sequences. ProT-Diff enabled the rapid generation of thousands of AMPs with diverse lengths within hours. Following in silico screening based on physicochemical properties and predicted antimicrobial activities, we selected 35 peptides for experimental validation. Remarkably, 34 of these peptides demonstrated antimicrobial activity against Gram-positive or Gram-negative bacteria, with 6 exhibiting broad-spectrum efficacy. Of particular interest, AMP_2, one of the broad-spectrum peptides, displayed potent antimicrobial activity, low hemolysis, and minimal cytotoxicity. Further in vivo assessment revealed its high effectiveness against a clinically relevant drug-resistant E. coli strain in a mouse model of acute peritonitis. This study not only presents a viable generative strategy for novel AMP design but also underscores its potential for generating other functional peptides, thereby broadening the horizon for new drug development.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».