基于深度神经网络整体学习的抗冠状病毒的预测

科学领域:

• 计算生物学是一种计算生物学.
• 药物发现 药物发现
• 机器学习在医学中的应用.

背景情况:

• 随着COVID-19的流行,人们迫切需要有效的抗冠状病毒药物.
• 抗冠状病毒 (ACoPs) 由于其高效率,低毒性和广泛的活性而具有前景.
• 传统的ACoP实验识别是昂贵和耗时的,需要更快的计算方法.

研究的目的:

• 开发一种用于预测抗冠状病毒 (ACoP) 的计算模型.
• 为了加快识别潜在的ACOP候选药物.
• 为ACOP预测提供一个公开可访问的Web服务器.

主要方法:

• 9个最先进的机器学习分类模型的集合.
• 使用深度神经网络进行预训练,特别是深度卷积神经网络 (DCNN) 与双向长期短期记忆 (BiLSTM) 合并.
• 使用基准数据集 (数据1,数据2,数据3) 和独立数据集 (ACVP-M) 的验证,采用十倍交叉验证.

主要成果:

• 组合模型,ACP-Dnnel,达到最大准确率 (ACC) 的97%和马修的相关系数 (MCC) 超过0.9.
• 三个数据集的平均准确率为96.0%.
• 在独立数据集上,ACP-Dnnel显示了显著的改进,MCC,特异性 (SP) 和ACC值分别增加了6.2%,7.5%和6.3%.

结论:

• ACP-Dnnel是一种高精度和高效的计算工具,用于预测抗冠状病毒.
• 该模型可以显著帮助实验室识别ACOP,加速药物发现.
• 一个用户友好的Web服务器可在http://150.158.148.228:5000/公开使用.