人工智能驱动的抗菌肽发现
本篇论文旨在利用一种基于机器学习的框架快速有效地筛选出新的抗菌肽,其中利用了基于循环神经网络和基于图形的过滤器,从而显著减少湿实验的次数和时间成本。
Sep, 2022
通过考虑多个属性,提出了一种名为 HMAMP 的新颖方法,将强化学习和基于超体积最大化概念的梯度下降算法相结合,以实现多属性抗微生物肽的同时优化。该方法生成了一系列平衡多种属性的潜在抗微生物肽候选者,并确定了这些候选者的 Pareto 前沿中的关键点。实证结果证实,HMAMP 设计的抗微生物肽具有竞争性能和增强的多样性,而对十个潜在候选抗微生物肽的螺旋结构和分子动力学模拟的详细分析验证了 HMAMP 在多属性抗微生物肽设计领域的优越性。HMAMP 能够系统地设计考虑多个属性的抗微生物肽,标志着建立一个通用的计算框架,用于多目标抗微生物肽设计的开创性里程碑。
May, 2024
本论文提出了基于半监督变分自编码器模型的 Peptide Generation Framework(PepCVAE),用于设计新型抗菌肽(AMP)序列,通过大量未标记的肽序列学习一种丰富的生物肽上下文的潜在空间,同时通过 AMP 分类器的反馈学习出一种分离的抗菌属性空间,生成的 AMP 序列表现优于标准 VAE,具有高度多样性,是下一代抗菌设计中非常理想的选择。
Oct, 2018
药物发现正在适应新技术,如数据科学、信息学和人工智能(AI),以加速有效治疗的开发,同时减少成本和动物实验。 AI 正在改变药物发现的方式,成功的药物发现需要优化与药理动力学、药代动力学和临床结果相关的特性。本文讨论了 AI 在药物发现的三个支柱(疾病、靶点和治疗模式)中的应用,重点关注小分子药物。
Jul, 2023
本文介绍了一个正在进行的案例研究,运用机器学习技术对抗生素抗性进行分析,通过样本大小,分类准确性等因素来评价机器学习技术的优劣,并指出机器学习在确定与抗生素抗性现象相关的基因区域方面取得了成功。此类研究有助于引起 Data-for-Good 社区的注意。
Jul, 2016
利用深度学习优化多目标抗菌肽,通过多目标合成管道(MoFormer)在结构化潜空间中引导和改善抗菌肽序列的属性以提高抗菌活性和减少溶血,同时使用非支配排序算法和大模型微调的代理方法进行候选者的层次排名,通过分子模拟和可视化潜空间来追踪和优化肽的结构和功能,验证了多目标优化的有效手段。
Jun, 2024
抗体、机器学习、免疫治疗设计、抗原表位预测以及蛋白质结构是这篇文章所讨论的关键词和主要研究领域,文章评估了常用的数据来源、评价指标和方法可用性,并全面评估了它们的重要性和局限性,讨论了未来的主要挑战。
Sep, 2023
提出了一种高效的基于 Transformer 的框架,利用 ESM、ProtBert、BioBERT 和 SciBERT 四种不同的 Transformer 模型从氨基酸序列中检测抗癌肽,实验证明该模型在准确率上优于现有研究,为抗癌肽研究确定了新的最先进水平。
Jan, 2024
此篇论文综述了近期在人工智能方法论中应用于药物发现的最新进展,并将其分为分子序列和几何图形的表征学习、基于数据驱动的推理以及基于知识的推理三个相对稳定的子领域,并探讨了未来可能的研究方向及挑战。
Feb, 2022