ANNprob-ACPs:一种基于概率特征融合方法的新型抗癌标识符
Tasmin Karim1, Md Shazzad Hossain Shaon1, Md Fahim Sultan1
1Department of Computer Science & Engineering, Daffodil International University, Daffodil Smart City, Birulia, Dhaka, 1216, Bangladesh; Health Informatics Research Lab, Department of Computer Science and Engineering, Daffodil International University, Daffodil Smart City, Birulia, Dhaka, 1216, Bangladesh.
ANNprob-ACPs是一种新型模型,可以有效地识别用于癌症治疗的抗癌 (ACPs). 它使用多种特征编码技术和机器学习来显著改善这些重要治疗化合物的发现.
科学领域:
- 计算生物学是一种计算生物学.
- 生物信息学是一种生物信息学.
- 药物发现 药物发现
背景情况:
- 抗癌 (ACP) 显示出作为癌症治疗药物的前景.
- 从蛋白质序列中有效地识别活跃的ACP对于药物开发至关重要.
研究的目的:
- 开发和评估一种新的计算模型,ANNprob-ACPs,用于准确检测抗癌.
- 利用多特征编码技术和机器学习来增强ACP识别.
主要方法:
- 使用九种特征编码方法实现ANNprob-ACP:AAC,CC,W2V,DPC,PAAC,QSO,CTDC,CTDT和CKSAAGP.
- 基于综合评估指标的六个高性能机器学习模型的选择.
- 从选定的模型中将概率得分汇总成一个元模型 (ANNprob-ACPs).
主要成果:
- ANNprob-ACPs实现了高精度,在10倍交叉验证中达到93.72%,在独立测试组中达到90.62%.
- 该模型在与现有的非洲和非洲国家识别方法相比,表现出了更高的性能.
- SHAP分析确定了QSO的物理化学特性和DPC,AAC,PAAC的组成特性是模型性能的主要贡献者.
结论:
- ANNprob-ACPs是一种有效和准确的工具,用于识别抗癌.
- 该模型对重要特征属性的洞察力可以指导未来的药物发现工作.
- 为ANNprob-ACP提供了一个网络服务器,以促进其在研究和开发中的使用.
更多相关视频
13:49Semi-automated Biopanning of Bacterial Display Libraries for Peptide Affinity Reagent Discovery and Analysis of Resulting Isolates
Published on: December 6, 2017
11:58Initial Evaluation of Antibody-conjugates Modified with Viral-derived Peptides for Increasing Cellular Accumulation and Improving Tumor Targeting
Published on: March 8, 2018