通过从蛋白质预训练模型转移学习来预测抗菌的抗菌的抗菌活性
Fernando Lobo1, Maily Selena González2, Alicia Boto2
1Programa Agustín de Betancourt, Universidad de La Laguna, 38206 La Laguna, Tenerife, Spain.
International journal of molecular sciences
|June 28, 2023
概括
这项研究引入了使用先进的人工智能模型预测抗真菌的新工具. 开发的抗真菌 (AFP) 预测器的性能与现有方法相美,有助于药物发现.
科学领域:
- 生物信息学是一种生物信息学.
- 计算生物学 计算生物学
- 药物发现 药物发现 药物发现
背景情况:
- 抗真菌 (AFPs) 对于开发针对真菌感染的新疗法至关重要.
- 预测AFP活动对于有效的药物开发至关重要.
- 当前的预测方法需要显著的特征工程.
研究的目的:
- 使用预训练的蛋白质模型开发抗真菌活性的预测模型.
- 评估这些模型作为特征提取器用于分析的有效性.
- 为识别潜在的抗真菌提供一个有价值的工具.
主要方法:
- 使用预训练的蛋白质模型作为特征提取器.
- 培训和评估各种机器学习分类器.
- 评估了开发的抗真菌 (AFP) 预测器的性能.
主要成果:
- 该AFP预测器的性能与最先进的方法相美.
- 证明了预训练模型在捕获相关特征方面的有效性.
- 成功开发了一种用于预测抗真菌活性的强大工具.
结论:
- 预训练的模型是有效的分析和活动预测.
- 开发的AFP预测器为抗真菌药物发现提供了宝贵的资源.
- 这种方法可以扩展到预测其他性质.
