Design of Highly Potent Antibiofilm, Antimicrobial Peptides Using Explainable Artificial Intelligence
Notice bibliographique
Résumé
Antimicrobial peptides have emerged as a potential alternative to traditional small-molecule antimicrobials. They possess broad-spectrum efficacy and increasingly confront the challenges of bacterial resistance, especially the adaptive resistance of biofilms. However, advanced rational peptide design methods are still required to ensure optimal property profiles of such peptides, while limiting the cost of their synthesis and screening. Here, we present a computational pipeline for the rational de novo design of antimicrobial and antibiofilm peptides based on an explainable artificial intelligence (XAI) framework. The developed framework combines a Wasserstein Autoencoder (WAE) and a nonlinear dimensionality reduction method─generative topographic mapping (GTM). The WAE was used to learn the latent representation of the peptide space, while the GTM guided the generation of novel AMPs through an illustrative depiction of the latent space in the form of 2D maps. The generated peptides were subjected to screening by machine learning models, resulting in the final hit list based on their predicted activity. The efficacy of the peptides generated with the developed pipeline was experimentally verified by synthesis and testing for activity against methicillin-resistant Staphylococcus aureus (MRSA), achieving a 100% hit rate in targeting biofilms. Notably, the most potent antibiofilm peptide developed in this study demonstrated almost one order of magnitude improvement in IC 50 value compared with the potent antibiofilm peptide reference “1018”, used as a positive control. The developed pipeline is readily extendable for the optimization of additional peptide properties, including cytotoxicity, tendency to aggregate, and proteolytic stability, underscoring its potential utility for rational design of the peptide-based therapeutics.
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 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 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».