PepComLibGen: A Web Server for Generating Peptide Libraries for Computer-Aided De Novo Peptide Design and Combinatorial Lead Optimization
Notice bibliographique
Résumé
Small peptides offer unique advantages for drug discovery due to their high specificity, low cost, and ability to disrupt protein-protein interactions, making them a promising chemical space for discovering new drugs and biotechnological tools. However, there is currently no available resource to generate a machine-readable library of small peptides from all possible sequences of canonical amino acids that can be used in a computer-aided drug discovery (CADD) campaign. To address this gap, we present a novel web server (www.peptidelibgen.com) that generates comprehensive SMILES libraries of small peptides from user-defined canonical amino acids and their cyclic analogues (including N-C terminal, side chain-N terminal, side chain-C terminal, side chain-side chain, and disulfide bridge). The server incorporates enantiomers of canonical amino acids, a user-specific noncanonical amino acid, end-capping, and library filters based on ease of synthesis, stability, and aqueous solubility. The generated peptides are output as smiles strings with structured FASTA identifiers, facilitating easy interpretation of top hits in a CADD workflow. To supplement this tool, we have also included an additional widget that allows one to rapidly obtain the SMILES codes for large libraries of combinatorial structures, especially useful for incorporation as unnatural residues when one seeks to screen a larger structural space. Overall, our web server provides a valuable resource for the discovery of new drug candidates using small peptides.
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) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,031 | 0,029 |
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 ».