«В этой работе мы обучили классификатор машинного обучения — известный как машина опорных векторов — распознавать активность мембран и экспериментально откалибровали метрику распознавания с помощью пептидного синтеза и характеристики», — пояснил Эндрю Фергюсон, доцент кафедры материаловедения и инженерное дело в Иллинойсе. «Мы используем машинное обучение, чтобы не только открывать новые мембраноактивные пептиды, но также идентифицировать мембранную активность в известных пептидах с ранее определенными функциями, что позволяет нам обнаружить мембранную активность в разнообразных и неожиданных семействах пептидов.«Поскольку попадание груза в клетку важно для многих приложений, мы ожидаем, что этот инструмент может иметь широкое биомедицинское значение, включая иммунотерапию и мембранно-активные антимикробные пептиды широкого спектра действия для борьбы с растущей частотой лекарственной устойчивости, создание катионных клеток. «проникающие пептиды для трансфекции нуклеиновых кислот в клетки, а также для нацеливания и проникновения противораковых терапевтических средств в опухоли», — добавил Фергюсон, который был старшим компьютерным исследователем проекта.В этой совместной работе исследователи из Иллинойса разработали вычислительные инновации с экспериментальной проверкой прогнозов, выполненной в Калифорнийском университете в Лос-Анджелесе.
Результаты, которые подчеркивают разницу между эффективностью противомикробного препарата и его узнаваемостью как таковой, удивительны.«У AMP нет общей структуры ядра, но они, как правило, короткие, катионные и амфифильные», — сказал Фергюсон. «Обучив наш классификатор машинного обучения на обучающем наборе, состоящем из пептидов с известной антимикробной активностью (попадания) и пептидов-ловушек без активности (промахов), классификатор изучил физические и химические свойства пептида, обеспечивающие хорошую мембранную активность. Мы ожидали что классификатор научится различать «противомикробные свойства» конкретной пептидной последовательности, но в результате экспериментальной проверки его предсказаний мы обнаружили, что он фактически усвоил гораздо более общее и физическое правило различения пептидов на основе активности мембран. классификатор изучил мембранную активность как основную физическую детерминанту антимикробной активности в обучающем наборе и позволяет нам использовать наш классификатор для обнаружения мембранно-активных пептидов в других разнообразных классах пептидов ».«Используя SVM как эффективный инструмент для обнаружения мембранной активности, мы выполнили управляемый поиск пространства пептидных последовательностей, чтобы обнаружить новые мембранно-активные пептиды, которые природе было бы трудно эволюционировать путем простой мутации из существующих альфа-спиральных мембранно-активных пептидов». заявил Эрнест Ли, первый автор статьи «Картирование мембранной активности в неизведанном пространстве пептидных последовательностей с использованием машинного обучения», опубликованной в Трудах Национальной академии наук.
«Возникает разнообразная таксономия последовательностей, которые, как ожидается, будут не только такими же мембранно-активными, как известные антимикробные пептиды, но также будут иметь широкий спектр предполагаемых основных функций помимо антимикробной активности, включая нейропептиды, вирусные слитые белки, топогенные пептиды и амилоиды », — сказал Джерард Вонг, профессор биоинженерии Калифорнийского университета в Лос-Анджелесе и старший исследователь. «Если бы их основные функции не были обнаружены, эти пептиды можно было бы классифицировать как AMP. Мало того, что мембранная активность не совпадает с антимикробной активностью, она удивительно обычна для многих классов природных пептидов как один из компонентов множественной функциональности».