畳み込みおよびトランスフォーマーモデルのスタッキングアンサンブルと共重合シーケンス表現を用いた抗がんペプチドの正確な予測

科学分野:

• バイオテクノロジー
• 計算生物学
• 機械学習

背景:

• 抗がんペプチド（ACP）はがん治療の有望視されています。
• ACPの正確な同定は創薬に不可欠です。
• 既存の計算方法には、パフォーマンスと解釈可能性に限界があります。

研究 の 目的:

• 高性能で解釈可能で一般化可能なACP同定のための予測フレームワークを開発すること。
• 包括的な特徴抽出のために多様なシーケンス表現を統合すること。
• ACP発見を容易にするためのユーザーフレンドリーなツールを作成すること。

主な方法:

• 畳み込みニューラルネットワークとトランスフォーマーモデルを組み合わせたスタッキングアンサンブル学習アプローチ。
• ワンホットエンコーディングと進化スケールモデリング埋め込みを統合した共重合シーケンス表現。
• モデルの解釈可能性のためのSHapley Additive exPlanations（SHAP）。

主要な成果:

• 主要なACPデータセットで88.9%の精度を達成し、外部検証精度は83.2%から95.2%でした。
• 最先端モデルに匹敵する強力な一般化能力を示しました。
• リジンやその他の荷電/疎水性アミノ酸などの主要な残基がACP活性に影響を与えることが特定されました。

結論:

• 提案されたフレームワークは、計算上のACP予測のための堅牢で解釈可能な方法を提供します。
• この発見は、ACP-膜相互作用のメカニズム的洞察を支持し、ペプチド設計を導きます。
• ペプチドベースの抗がん創薬へのアクセスを強化し、加速するために、インタラクティブなWebツールACPredictorが利用可能です。