利用注意力增强的变化自编码器:用于研究阿普坦酶序列的潜空间的新方法
Abbas Salimi1, Jee Hwan Jang2, Jin Yong Lee1
1Department of Chemistry, Sungkyunkwan University, Suwon 16419, Republic of Korea.
International journal of biological macromolecules
|November 5, 2023
概括
这项研究引入了一个深度学习工作流程,使用一个具有注意力机制的生成变异自编码器来创建新的aptamer序列. 该方法产生独特的DNA/RNA序列,具有功能性结构的高潜力,解决了在aptamer发现中的数据稀缺问题.
科学领域:
- 生物技术是生物技术.
- 计算生物学 计算生物学
- 基因组学就是基因组学.
背景情况:
- 在诊断和治疗中,aptamers正在成为抗体的强大替代品.
- 深度学习,特别是注意力模型,显示出分析aptamer (DNA/RNA) 序列的前景.
- 目前的阿普坦体发现面临着诸如巨大的序列空间和数据稀缺等挑战.
研究的目的:
- 通过深度学习提出创新的工作流程,用于生成新的aptamer序列.
- 为了解决数据稀缺性和aptamer发现中的大搜索空间的局限性.
- 为了利用生成模型和注意力机制来改进aptamer设计.
主要方法:
- 在生成变量自编码器框架中整合注意力机制.
- 开发工作流程以扩展潜存储器,用于创新序列生成.
- 对生成的序列进行新性和潜在的功能折叠 (最小的自由能量) 的评估.
主要成果:
- 工作流成功生成了与培训数据集相比100%的新性新的新型吸收酶序列.
- 大约88%的生成序列表现出负的最小自由能量,这表明可能存在稳定的功能结构.
- 拟议的方法有效地解决了在aptamer发现中数据稀缺的挑战.
结论:
- 开发的工作流显示出一种可行的策略,用于生成多样化和潜在优异的aptamer序列.
- 这种方法可以大大促进进步的aptamer发现及其在诊断和治疗中的应用.
- 对深度学习模型的进一步研究对于释放aptamer开发的全部潜力至关重要.
