增强了膜运输蛋白的识别:一种混合方法,结合了ProtBERT-BFD和卷积神经网络

科学领域:

• 生物化学 生物化学
• 生物信息学是一种生物信息学.
• 计算生物学 计算生物学

背景情况:

• 跨膜运输蛋白 (运输体) 对于细胞功能至关重要,但它们的结构和作用往往是未知的.
• 自然语言处理 (NLP) 技术,特别是转换器的双向编码器表示 (BERT),越来越多地用于蛋白质序列分析.
• 之前的方法,如TooT-BERT-T,使用了ProtBERT-BFD和物流回归来进行传送器分类.

研究的目的:

• 探索不同BERT模型 (ProtBERT,ProtBERT-BFD,MembraneBERT) 与传送器识别的经典分类器的有效性.
• 介绍和评估TooT-BERT-CNN-T,一种使用Convolutional神经网络 (CNN) 与ProtBERT-BFD的新型深度学习方法.
• 为了比较基于CNN的新方法与以前方法的性能.

主要方法:

• 使用了来自ProtBERT,ProtBERT-BFD和MembraneBERT的蛋白质序列表示.
• 与这些表示结合使用经典的机器学习分类器.
• 开发并应用了一种新的卷积神经网络 (CNN) 模型 (TooT-BERT-CNN-T),并与ProtBERT-BFD进行微调,用于传送器歧视.

主要成果:

• 与传统分类器相比,卷积神经网络 (CNN) 方法显示出更高的性能.
• TooT-BERT-CNN-T在一个独立的测试组中实现了0.89的马修斯相关系数 (MCC) 和95.1%的准确性.
• 这些结果代表了与以前的TooT-BERT-T方法相比显著的改进.

结论:

• 深度学习,特别是CNN与特定蛋白质的BERT嵌入相结合,为识别跨膜运输蛋白提供了一个强大的策略.
• TooT-BERT-CNN-T方法在准确分类运输商方面取得了重大进展.
• 这种方法有望加速膜蛋白的功能注释.