利用可控深度生成模型与分子动力学加速抗菌药物发现
机器学习
2021-03-16 v2 定量方法
机器学习
摘要
从头治疗设计面临巨大的化学库和多重约束的挑战，例如高广谱效力和低毒性。我们提出 CLaSS（受控潜在属性空间采样）——一种用于属性受控分子生成的高效计算方法，该方法利用在通过深度生成自编码器建模的信息丰富分子潜在空间上训练的分类器提供的指导。我们通过使用深度学习分类器，结合源自原子模拟的新特征，筛选生成分子的其他关键属性。所提出的方法在设计具有强广谱效力的无毒抗菌肽 (AMP) 方面得到了验证，这些抗菌肽是应对抗生素耐药性的新兴候选药物。仅合成并测试了二十个设计序列，就鉴定出两种新型且极简的 AMP，它们通过膜孔形成对多种革兰氏阳性和革兰氏阴性病原体（包括一种多重耐药和一种耐抗生素的肺炎克雷伯菌）具有高效力。这两种抗菌剂均表现出低体外和体内毒性，并能减缓耐药性的产生。因此，所提出的方法为更快、更高效地发现强效且选择性的广谱抗菌剂提供了一条可行途径。
引用
@article{arxiv.2005.11248,
title = {Accelerating Antimicrobial Discovery with Controllable Deep Generative Models and Molecular Dynamics},
author = {Payel Das and Tom Sercu and Kahini Wadhawan and Inkit Padhi and Sebastian Gehrmann and Flaviu Cipcigan and Vijil Chenthamarakshan and Hendrik Strobelt and Cicero dos Santos and Pin-Yu Chen and Yi Yan Yang and Jeremy Tan and James Hedrick and Jason Crain and Aleksandra Mojsilovic},
journal= {arXiv preprint arXiv:2005.11248},
year = {2021}
}