The Use of DeepQSAR Models for the Discovery of Peptides With Enhanced Antimicrobial and Antibiofilm Potential
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
Increasing concerns regarding prolonged antibiotic usage have spurred the search for alternative treatments. Antimicrobial peptides (AMPs), first discovered in the 1980s, have exhibited significant potential against a broad range of bacteria. Short-sequenced AMPs are abundant in nature and present across various organisms. Recently, machine learning technologies such as Quantitative Structure Activity Relationships (QSAR) have enabled expedited discovery of potential AMPs with broad-spectrum antibacterial activity as the amount of available AMP training data increases. Among those, Deep QSAR has recently emerged as a distinct type of application that utilizes conventional molecular descriptors in conjunction with more powerful deep learning (DL) models. Here, we demonstrate the power of Deep QSAR in predicting broad-spectrum AMP activity. Using a recurrent neural network-based QSAR model, we achieved nearly 90% fivefold cross-validated accuracy in classifying AMP activity. Using the developed approach, we designed 98 novel peptides, of which 36 experimentally demonstrated more effective antibiofilm activity and 26 peptides exhibited stronger antimicrobial activity compared to a well-characterized host defense peptide IDR-1018, which was demonstrated to possess broad spectrum antibiofilm activity against a wide range of bacterial pathogens and a previous computer-aided peptide design study employing IDR-1018 derivatives successfully identified novel peptides with enhanced antibiofilm activity. Notably, 22 of those peptides demonstrated improvements of both antimicrobial and, particularly, antibiofilm properties, making them suitable prototypes for preclinical development and demonstrating efficacy of DeepQSAR modeling in identifying novel and potent AMPs.
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 | 0,001 | 0,001 |
| 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