«В этой работе мы обучили классификатор машинного обучения – известный как векторная машина поддержки – признавать мембранную деятельность и экспериментально калибровали метрику признания синтезом пептида и характеристикой», объяснил Эндрю Фергюсон, доцент материаловедения и разработки в Иллинойсе. «Мы используем машинное обучение для не, только обнаруживают новые мембранные активные пептиды, но и также определить мембранную деятельность в известных пептидах с ранее определенными функциями, принуждающими нас обнаружить мембранную деятельность в разнообразных и неожиданных семьях пептида.«Начиная с получения груза в клетку важно для многих заявлений, мы ожидаем, что этот инструмент может иметь широкие биомедицинские последствия включая в иммунотерапии и в широком спектре мембранно-активные антибактериальные пептиды, чтобы сражаться с возрастающим уровнем устойчивости к лекарству, дизайном катионных проникающих через клетку пептидов для трансфекции нуклеиновой кислоты в клетки, и в планировании и просачивании в противораковой терапии в опухоли», добавил Фергюсон, который был главным вычислительным следователем проекта.В этой совместной работе исследователи Иллинойса развивали вычислительные инновации с экспериментальным тестированием предсказаний, достигнутых в Калифорнийском университете в Лос-Анджелесе.
Результаты, которые подчеркивают различие между эффективностью антибактериального препарата и его узнаваемостью как таковой, удивительны.«УСИЛИТЕЛИ не разделяют общую основную структуру, но имеют тенденцию быть короткими, катионными, и амфифильными», сказал Фергюсон. «По образованию наш классификатор машинного обучения по учебному набору, включающему пептиды с известной антибактериальной деятельностью (хиты) и пептиды приманки без деятельности (промахи), классификатор, изучил физические и химические свойства пептида, которые делают для хорошей мембранной деятельности. Мы ожидали, что классификатор будет учиться отличать ‘антибактериальный мыс’ конкретной последовательности пептида, но посредством экспериментального тестирования ее предсказаний мы нашли, что это на самом деле изучило намного более общее и физическое правило отличить пептиды на основе мембранной деятельности.
В действительности классификатор изучил мембранную деятельность как основной физический детерминант антибактериальной деятельности в учебном наборе и позволяет нам использовать наш классификатор, чтобы обнаружить мембранные активные пептиды в других разнообразных классах пептида».«Используя SVM как эффективный инструмент открытия для мембранной деятельности, мы выполнили управляемый поиск пространства последовательности пептида, чтобы обнаружить новые мембранные активные пептиды, которые будут трудными для природы развиться простой мутацией из существующих альфа-спиральных мембранных активных пептидов.», заявил Эрнест И. Ли, первый автор статьи, «Нанеся на карту мембранную деятельность в неоткрытом космосе последовательности пептида, использующем машинное обучение», появившись на Слушаниях Национальной академии наук.«Что появляется, разнообразная таксономия последовательностей, которые, как ожидают, будут не только что так же мембранно-активны как известные антибактериальные пептиды, но также и будут иметь широкий диапазон предполагаемых первичных функций вне антибактериальной деятельности включая нейропептиды, вирусные белки сплава, topogenic пептиды и amyloids», сказал Джерард Вонг, преподаватель биоинженерии в Калифорнийском университете в Лос-Анджелесе и главном экспериментальном следователе на исследовании. «Имел их первичные функции, неоткрытый, эти пептиды, возможно, были классифицированы как УСИЛИТЕЛИ.
Мало того, что мембранная деятельность не одинакового протяжения с антибактериальной деятельностью, это удивительно характерно для многих классов натуральных пептидов как один компонент мультиплексной функциональности».