Antimicrobial Peptide Identified via Machine Learning Presents Both Potent Antibacterial Properties and Low Toxicity toward Human Cells
Notice bibliographique
Résumé
Preventing infection is a critical clinical challenge; however, the extensive use of antibiotics has resulted in remarkably increased antibiotic resistance. A variety of antibiotic alternatives including antimicrobial peptides (AMPs) have been studied. Unfortunately, like most conventional antibiotics, most current AMPs have shown significantly high toxicity toward the host, and therefore induce compromised host responses that may lead to negative clinical outcomes such as delayed wound healing. In this study, one of the AMPs with a short length of nine amino acids was first identified via machine learning to present potentially low cytotoxicity, and then synthesized and validated in vitro against both bacteria and mammalian cells. It was found that this short AMP presented strong and fast-acting antimicrobial properties against bacteria like Staphylococcus aureus, one of the most common bacteria clinically, and it targeted and depolarized bacterial membranes. This AMP also demonstrated significantly lower (e.g., 30%) toxicity toward mammalian cells like osteoblasts, which are important cells for new bone formation, compared to conventional antibiotics like gentamicin, vancomycin, rifampin, cefazolin, and fusidic acid at short treatment times (e.g., 2 h). In addition, this short AMP demonstrated relatively low toxicity, similar to osteoblasts, toward an epithelial cell line like BEAS-2B 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 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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».