iAMP-Attenpred:一种基于BERT特征提取方法和CNN-BiLSTM-Attention组合模型的新型抗菌预测器
Wenxuan Xing1, Jie Zhang2, Chen Li1
1School of Computer Science and Engineering, Northeastern University, No.195 Chuangxin Road, Hunnan District, Shenyang 110170, China.
Briefings in bioinformatics
|December 6, 2023
概括
这项研究介绍了iAMP-Attenpred,这是一种用于识别抗菌 (AMP) 的新型计算工具. 它使用先进的深度学习,包括BERT和CNN-BiLSTM,以准确预测AMP,改进现有方法.
科学领域:
- 生物化学 生物化学
- 计算生物学 计算生物学
- 生物信息学是一种生物信息学.
背景情况:
- 抗微生物 (AMP) 对抗微生物的天生的免疫力至关重要.
- 实验性识别AMP是资源密集型和耗时的.
- 计算方法为AMP预测提供了更快,更有效的替代方案.
研究的目的:
- 开发一种新且高度准确的抗微生物 (AMP) 的计算预测器.
- 利用自然语言处理 (NLP) 技术,从序列中提取增强的特征.
- 整合多个深度学习模型,以改善AMP分类.
主要方法:
- 利用BERT模型在AMP和非AMP中对氨基酸序列的特征编码.
- 开发了一个复合深度学习模型,结合了1D CNN,BiLSTM和注意力机制.
- 应用平坦和完全连接的层,用于抗微生物的最终分类.
主要成果:
- 与现有的AMP预测工具相比,iAMP-Attenpred预测器表现出卓越的性能.
- 在识别抗微生物上获得了更高的准确性和精度.
- 验证了BERT用于特征提取和用于AMP预测的多模型深度学习的有效性.
结论:
- 基于BERT的特征提取与多模型深度学习架构相结合,可有效预测抗菌.
- iAMP-Attenpred代表了计算AMP识别的重大进展.
- 这种方法为未来的抗微生物发现研究提供了有希望的方向.
