iAVPs-ResBi:通过使用深度残留网络和双向封闭循环单元来识别抗病毒
Xinyan Ma1, Yunyun Liang1, Shengli Zhang2
1School of Science, Xi'an Polytechnic University, Xi'an 710048, China.
Mathematical biosciences and engineering : MBE
|December 21, 2023
概括
一个新的深度学习模型,iAVPs-ResBi,可以准确地识别抗病毒 (AVP). 这种工具有助于开发新的抗病毒药物,有效地预测AVP的疗效,改进现有方法.
科学领域:
- 生物医学和生物信息学
- 药物发现 药物发现 药物发现
- 计算生物学 计算生物学
背景情况:
- 病毒性疾病对人类健康构成重大威胁.
- 抗病毒 (AVP) 显示出作为新型抗病毒疗法的巨大前景.
- 准确识别AVP对于药物开发至关重要.
研究的目的:
- 开发一个有效的计算模型来预测抗病毒 (AVPs).
- 提高AVP识别的准确性和效率.
- 为研究人员在抗病毒药物发现中提供一个有价值的工具.
主要方法:
- 使用k间隔的氨基酸对 (KSAAP),基于分组重量 (EBGW) 的编码,增强的分组氨基酸组成 (EGAAC) 和组成,过渡和分布 (CTD) 的多功能提取.
- 使用双向长期短期存储器 (BiLSTM) 的特征融合.
- 使用一个深度模型进行分类,该模型结合了改进的残余网络和双向封闭循环单元 (BiGRU).
主要成果:
- 在四个独立的数据集上,iAVPs-ResBi模型实现了95.07%,98.07%,94.29%和97.50%的高精度.
- 与现有的AVP识别方法相比,该模型表现出更高的性能.
- 开发的模型有效地提取和融合多模式特征,以便准确的分类.
结论:
- iAVPs-ResBi模型是识别抗病毒的强大而有效的工具.
- 这种计算方法可以加速新抗病毒药物的发现和开发.
- 这项研究为生物信息学深度学习在药物发现中的应用提供了有价值的见解.
