ClsDiff-AMP30: Generating Antimicrobial Peptides by a Classifier Guidance Noise Predictor
Notice bibliographique
Résumé
Abstract Antimicrobial peptides (AMPs) represent a promising therapeutic strategy to combat the increasing challenge of multidrug-resistant pathogens, a crisis intensified by the overuse of conventional antibiotics. In addition to their broad-spectrum antimicrobial activity, low toxicity, and reduced propensity for resistance development, AMPs offer significant advantages over traditional antibiotic therapies. However, the discovery of novel AMPs through biological experiments remains constrained by high costs, labor-intensive workflows, and time-consuming procedures, underscoring the urgent need for in silico computational methods to design AMP sequences. Notably, shorter AMPs ( ≤ 30 residues) demonstrate superior antimicrobial efficacy, improved structural stability, and minimal cytotoxicity toward human cells. To address these challenges, we present a classifier-guided diffusion framework specialized for generating AMPs shorter than 30 residues (ClsDiff-AMP30). The architecture integrates two interdependent submodels, including a noisy AMP classifier that evaluates AMP likelihood at intermediate denoising steps and a noise predictor guided by classifier-derived probability scores, dynamically adjusted via a self-optimized coefficient to modulate guidance strength. ClsDiff-AMP30 achieves a validation accuracy of 66% across 10,000 synthesized sequences by a self-developed AMP classifier. Furthermore, wet lab experiments demonstrated that all 11 selected sequences exhibited high antimicrobial activity against at least one of the three tested bacterial strains and low hemolytic activity.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».