Machine Learning-Identified Potent Antimicrobial Peptides Against Multidrug-Resistant Bacteria and Skin Infections
Notice bibliographique
Résumé
Background: The escalating global crisis of antibiotic resistance necessitates the discovery of novel antimicrobial agents. Antimicrobial peptides (AMPs) represent a promising alternative to combat multidrug-resistant (MDR) pathogens. Because traditional AMP discovery is labour-intensive and costly, machine learning (ML) is applied to identify AMPs effective against MDR bacteria and skin infections. Methods: The ML-based CalcAMP model predicts the antimicrobial activity of 16,384 unique 14-amino-acid peptide sequences, resulting in a novel Guided Designed Smart antimicrobial Therapeutic (GDST) peptide catalogue. Parent sequences and retro-inverso (RI) variants of two prime GDST peptides undergo extensive testing against MDR bacteria and in skin infection models. Results: GDST-038 and GDST-045, along with their RI variants, show potent antimicrobial activity against Acinetobacter baumannii and Staphylococcus aureus, rapidly depolarizing the cytoplasmic membrane, exhibiting broad-spectrum bactericidal effects against ESKAPE pathogens, and causing minimal haemolysis. RI variants display superior A. baumannii biofilm killing compared to parent sequences, while all GDST peptides achieve >3-log reductions in S. aureus biofilm CFU within 24 h. Potent efficacy is observed in a 3D human skin epidermal infection model, with elimination of S. aureus at ≥15 μM. No resistance develops after 22 passages. Conclusions: ML-driven screening enables rapid identification of two novel candidate AMPs, highlighting the therapeutic potential of GDST peptides for MDR bacterial infections.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 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) | 0,001 | 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 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 ».