面向药物发现的高生物活性肽的改进设计与筛选
定量方法
2014-04-11 v3
摘要
发现具有高生物活性的肽极具挑战性，主要是因为化合物种类极其繁多，而只有少数具备所需特性。为了降低成本并缩短获得有前景化合物的时间，机器学习方法可以通过利用现有数据学习预测器来极大地协助这一过程，甚至替代昂贵的实验室实验。不幸的是，选择具有最大预测生物活性的配体需要耗费巨大的计算时间。对于这个组合问题，启发式和随机优化方法不能保证找到合适的化合物。我们提出了一种基于 De Bruijn 图的高效算法，保证能找到具有最大预测生物活性的肽。我们展示了该算法如何作为迭代组合化学程序的一部分，以加速肽先导化合物的发现和验证。此外，所提出的方法不需要使用靶蛋白的已知配体，因为它可以利用最近的多靶点机器学习预测器，其中类似靶点的配体可作为初始训练数据。最后，我们通过发现新的阳离子抗菌肽在体外验证了所提出的方法。源代码可在 http://graal.ift.ulaval.ca/peptide-design/ 免费获取。
引用
@article{arxiv.1311.3573,
title = {Improved design and screening of high bioactivity peptides for drug discovery},
author = {Sébastien Giguère and François Laviolette and Mario Marchand and Denise Tremblay and Sylvain Moineau and Éric Biron and Jacques Corbeil},
journal= {arXiv preprint arXiv:1311.3573},
year = {2014}
}