多维深度学习推动了从核桃蛋白分离物中有效发现新的神经保护性
Like Lin1, Cong Li1, Li Zhang1
1Key Laboratory of Synthetic and Natural Functional Molecule of Ministry of Education, College of Chemistry and Materials Science, National Demonstration Center for Experimental Chemistry Education, Northwest University, Xi'an, Shaanxi 710127, China. licong@nwu.edu.cn.
Food & function
|July 12, 2023
概括
一个新的深度学习模型,MiCNN-LSTM,有效地选神经退行性疾病的多功能神经保护性. 这种方法确定了四个有前途的六,EPEVLR显示了治疗开发的最佳潜力.
科学领域:
- 神经科学是一个神经科学.
- 生物技术是生物技术.
- 计算生物学 计算生物学
背景情况:
- 像阿尔茨海默氏症和帕金森症这样的神经退行性疾病涉及多种病理.
- 天然具有作为多功能神经保护剂的潜力.
- 传统的片选方法是低效和不准确的.
研究的目的:
- 开发一种高效准确的选多功能神经保护的方法.
- 从天然蛋白质来源中识别新的神经保护性.
主要方法:
- 一个多维的深度学习模型,MiCNN-LSTM,被开发用于检测.
- 候选是从水解的核桃蛋白质中获得的.
- 采用了in silico和in vitro方法,包括分子对接和实验验证.
主要成果:
- 在选神经保护性酸中,MiCNN-LSTM模型实现了0.850的高精度.
- 四种六 (EYVTLK,VFPTER,EPEVLR,ELEWER) 显示出显著的神经保护性质.
- EPEVLR表现出最强的多功能神经保护活性.
结论:
- 该MiCNN-LSTM模型显著提高了识别生物活性的效率.
- 这种方法促进了新型神经保护剂和功能性食品的开发.
- 作为神经保护疗法,EPEVLR是进一步研究的一个有希望的候选者.
