使用深度转移学习预测植物的二次代谢途径
Han Bao1,2,3, Jinhui Zhao1,2,3, Xinjie Zhao1,2,3
1CAS Key Laboratory of Separation Science for Analytical Chemistry, Dalian Institute of Chemical Physics, Chinese Academy of Sciences, Dalian, 116023, People's Republic of China.
BMC bioinformatics
|September 19, 2023
概括
一个新的深度学习模型可以高准确地预测植物代谢途径. 这种方法有助于理解植物生物合成和分类天然产品.
科学领域:
- 生物化学 生化学
- 计算生物学 计算生物学
- 化学信息学 化学信息学
背景情况:
- 植物二次代谢物对制药,营养和其他行业至关重要.
- 阐明植物代谢途径对于理解植物生物学至关重要.
- 目前的数据库缺乏足够的关于植物生物合成和降解途径的信息.
研究的目的:
- 开发一种新的深度学习方法,用于预测植物代谢途径.
- 为了应对当前植物途径数据库中不完整信息的挑战.
- 为了利用转移学习来提高预测准确性.
主要方法:
- 开发了一个混合深度学习架构,结合了图形变换器和卷积神经网络 (GTC).
- 该GTC模型在KEGG数据集上进行了预训练,并在植物衍生数据集上进行了微调.
- 转移学习被用来将知识从一般的代谢途径转移到植物特定的代谢途径.
主要成果:
- 在KEGG数据集中,GTC模型在KEGG数据集中实现了高性能,超过了其他六种模型.
- 在预测植物二次代谢途径方面,GTC表现出极好的准确性 (平均98.30%).
- 该模型在分类化物方面获得了完美的准确性 (100.00%) 和其他天然产品的高准确性.
结论:
- 该GTC模型有效地捕捉了用于路径预测和自然产品分类的分子特征.
- 转移学习显著提高了植物二次代谢途径的预测.
- 有一个用户友好的程序可用于使用SMILES字符串进行化合物分析.
