MDTL-ACP:基于多域转移学习的抗癌预测
IEEE journal of biomedical and health informatics
|December 26, 2023
概括
我们开发了MDTL-ACP,这是一种使用多域转移学习的新型抗癌 (ACP) 预测模型. 这种方法通过利用抗微生物 (AMP) 的知识,有效地识别潜在的ACP,提高预测准确度.
科学领域:
- 生物化学 生物化学
- 计算生物学 计算生物学
- 药物发现 药物发现 药物发现
背景情况:
- 抗癌 (ACP) 因其广泛的活性和较低的耐药性而显示出癌症治疗的前景.
- 传统的ACP发现是昂贵和耗时的.
- 现有的计算方法受到稀缺的非洲国家和地区数据的限制.
研究的目的:
- 开发一种有效的计算模型,用于识别新型抗癌.
- 为了解决在非洲国家和地区的发现中稀缺数据的局限性.
主要方法:
- 提出了MDTL-ACP,一个多域转移学习模型.
- 利用来自四个领域的丰富的抗微生物 (AMP) 作为源数据.
- 使用人工神经网络进行特征提取和分类.
主要成果:
- MDTL-ACP成功地将新型ACP与非活性区分开来.
- 转移学习提高了在目标ACP领域的预测性能.
- 该模型的性能优于现有的非洲和非洲国家预测方法.
结论:
- 多领域转移学习是一种可行的策略,可以提高非洲和非洲的预测能力.
- MDTL-ACP提供了一种更有效的方法来发现潜在的抗癌.
- 这种方法可以克服计算药物发现中的数据稀缺性挑战.
更多相关视频
08:27Detection of Human Leukocyte Antigen Biomarkers in Breast Cancer Utilizing Label-free Biosensor Technology
Published on: March 24, 2015
14.8K
07:47Author Spotlight: Unveiling Transmembrane Protein Family-Related Markers in Gastric Cancer and Implications for Targeted Therapies
Published on: September 15, 2023
1.5K
