Combining statistical, machine learning and experimental approaches for screening of novel antimicrobial peptides of calf cruor hydrolysates
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Producing bioactive peptides through enzymatic hydrolysis is one of the most promising strategies for valorizing food by-products such as slaughterhouse blood. However, identifying the peptides responsible for the bioactivity of raw hydrolysates is difficult due to the large number of peptide sequences released during the enzymatic process. This study presents for the first time an integration of conventional statistical and machine learning tools to discover new antimicrobial peptides from calf cruor (C-cru), based on experimental data of the antimicrobial activity of raw hydrolysates and their peptide population. Pearson correlation (P-corr), linear regression (LR), and Random Forest (RF) were used to explain the relationship between peptide population abundance and antimicrobial activities (antibacterial, anti-mold, and anti-yeast) of raw hydrolysates of C-cru peptides. Peptides having greater importance in explaining the antimicrobial activities of hydrolysates were selected and their in vitro antimicrobial activity was further assessed by chemical synthesis. As a result, three new peptide sequences with fungicidal effect were identified: α(87–98), β(126–145), and β(128–145). This innovative approach can accelerate the discovery of new antimicrobial peptides from hemoglobin hydrolysates, which could be useful for further separation and application of peptides in food biopreservation. • Statistical/ML method proposed to elucidate bioactive peptides in raw hydrolysates. • This approach identified potential antimicrobial peptides from C-cru hydrolysates. • Three new antifungal peptide α(87–98), β(126–145), and β(128–145) were identified.
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.
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 | 0,000 | 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) | 0,000 | 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 découle