Application of artificial neural networks to prediction of new substances with antimicrobial activity against Escherichia coli

人工神经网络 抗菌剂 生物系统 人工智能 数量结构-活动关系 回归 大肠杆菌 机器学习 集合(抽象数据类型) 线性回归 生化工程 数据集 咪唑 计算机科学 数学 化学 生物 工程类 生物化学 统计 有机化学 基因 程序设计语言
作者
Anna Badura,Jerzy Krysiński,Alicja Nowaczyk,Adam Buciński
出处
期刊:Journal of Applied Microbiology [Wiley]
卷期号:130 (1): 40-49 被引量:12
标识
DOI:10.1111/jam.14763
摘要

This article presents models of artificial neural networks (ANN) employed to predict the biological activity of chemical compounds based of their structure. Regression and classification models were designed to determine antimicrobial properties of quaternary ammonium salts against Escherichia coli strain. The minimum inhibitory concentration microbial growth E. coli was experimentally determined by the serial dilution method for a series of 140 imidazole derivatives. Then, three‐dimensional models for imidazole chlorides were constructed with computational chemistry methods which allowed to calculate molecular descriptors. The transformation of chemical information into a useful number is a main result of this operation. The designed regression and classification ANN models were characterized by a high predictive ability (classification accuracy was 95%, regression model: learning set R = 0.87, testing set R = 0.91, validation set R = 0.89). Artificial neural networks can be successfully used to find potential antimicrobial preparations. The neural networks are a very elaborate modelling technique, which allows not only to optimize and minimize labour costs but also to increase food safety.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
nani完成签到,获得积分10
刚刚
细心故事发布了新的文献求助10
刚刚
mark完成签到,获得积分10
刚刚
朴实雨竹完成签到,获得积分10
刚刚
1秒前
1秒前
西西完成签到,获得积分20
2秒前
Randi发布了新的文献求助10
2秒前
TLB完成签到,获得积分10
2秒前
朱南晴完成签到,获得积分10
3秒前
Wang发布了新的文献求助10
3秒前
3秒前
3秒前
3秒前
湛湛蓝完成签到,获得积分10
4秒前
Nathan发布了新的文献求助10
4秒前
共享精神应助dong采纳,获得10
4秒前
mumu完成签到,获得积分10
4秒前
4秒前
4秒前
丘比特应助song采纳,获得30
5秒前
zh完成签到,获得积分20
5秒前
在水一方应助章千万采纳,获得10
5秒前
诚心的月光完成签到,获得积分10
6秒前
是风动完成签到 ,获得积分10
6秒前
6秒前
7秒前
自私的猫完成签到,获得积分10
7秒前
包容诗槐完成签到,获得积分10
8秒前
小霞完成签到 ,获得积分10
8秒前
泡泡球完成签到,获得积分10
8秒前
8秒前
韭菜盒子发布了新的文献求助10
8秒前
听话的清发布了新的文献求助10
8秒前
华仔应助湛湛蓝采纳,获得10
9秒前
周斌完成签到,获得积分10
10秒前
leo_twli完成签到,获得积分10
11秒前
daijk完成签到,获得积分10
11秒前
dhlswpu完成签到,获得积分10
11秒前
b1t完成签到,获得积分10
12秒前
高分求助中
Rechtsphilosophie 1000
Bayesian Models of Cognition:Reverse Engineering the Mind 800
Essentials of thematic analysis 700
A Dissection Guide & Atlas to the Rabbit 600
Very-high-order BVD Schemes Using β-variable THINC Method 568
Внешняя политика КНР: о сущности внешнеполитического курса современного китайского руководства 500
Revolution und Konterrevolution in China [by A. Losowsky] 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3121907
求助须知:如何正确求助?哪些是违规求助? 2772301
关于积分的说明 7712917
捐赠科研通 2427747
什么是DOI,文献DOI怎么找? 1289466
科研通“疑难数据库(出版商)”最低求助积分说明 621451
版权声明 600169