構造化配列特徴からの細胞浸透ペプチドの正確な同定のためのマルチモデル説明可能ディープラーニングフレームワーク：XCPP

科学分野:

• バイオインフォマティクス
• 計算生物学
• 薬物送達システム

背景:

• 細胞浸透ペプチド（CPP）は、治療分子を細胞膜を横切って輸送することを可能にする短いアミノ酸配列です。
• CPPは、標的化された薬物送達と分子診断のための多用途プラットフォームを提供します。

研究 の 目的:

• CPPの正確なインシリコ予測のためのディープラーニングモデルを開発および評価すること。
• 説明可能なAI（XAI）を使用してCPP活性に寄与する重要な配列特徴を特定すること。

主な方法:

• EnDM-CPPデータベースから確認された473のCPPの分析。
• 4つの配列記述子（PRIM、RPRIM、AAPIV、Reverse AAPIV）の計算。
• ディープニューラルネットワーク（DNN）、畳み込みニューラルネットワーク（CNN）、および長期短期記憶（LSTM）モデルのトレーニングとテスト。
• 自己整合性、独立したテスト、および10倍のクロスバリデーションを使用したモデル評価。
• モデルの解釈可能性を高めるためのXAIとしてのSHAP値の適用。

主要な成果:

• クロスバリデーション中にCNNモデルが最高の精度（99.05％）を達成し、DNNおよびLSTMモデルを上回りました。
• すべてのモデルは、構造化された入力特徴で合理的な予測精度を示しました。
• SHAP分析は、生物学的に関連性のある配列記述子を特定し、モデルの透明性を高めることに成功しました。

結論:

• ディープラーニング、特にCNNは、正確なCPP同定のための効果的なフレームワークを提供します。
• この研究は、薬物送達、診断、および個別化医療への応用におけるインシリコCPP予測の可能性を強調しています。
• SHAPベースのXAIは、配列特徴と生物学的特性を結び付けることによって、モデル予測への信頼を高めます。