通过整合序列语义和结构信息,从动物毒中挖掘道调节的
Jian-Ming Wang1, Rong-Kai Cui1, Zheng-Kun Qian1
1College of Mathematics and Computer Science, Dali University, Dali, China.
Computational biology and chemistry
|February 10, 2024
概括
DeepCRPs是一种新的深度学习模型,可以有效地识别动物毒液中的通道调节 (CRPs). 这种人工智能方法结合了序列和结构数据,加速了对道蛋白相关疾病的药物发现.
科学领域:
- 生物化学 生物化学
- 生物信息学是一种生物信息学.
- 药理学 药理学是指药理学的学科.
背景情况:
- 来自动物毒素的道调节 (CRPs) 是道蛋白相关疾病的有希望的药物候选者.
- 传统的CRP发现方法缓慢且劳动密集.
- 现有的CRP识别计算方法在范围和特征工程方面是有限的.
研究的目的:
- 开发一种新的深度学习模型,DeepCRPs,用于从动物毒液中系统地挖掘CRPs.
- 通过整合序列和结构信息来提高CRP的分类性能.
- 为CRP识别和分类提供生物可解释的见解.
主要方法:
- 开发了DeepCRPs,这是一个基于图形神经网络的深度学习模型.
- 综合序列语义和结构信息用于CRP分类.
- 应用先进的可解释技术来分析序列和结构决定因素.
主要成果:
- 在四个CRP中实现了0.92的分类准确性,显著优于基线模型 (0.77-0.89).
- 确定了对CRP分类有贡献的关键序列和结构决定因素.
- 证明了DeepCRPs模型的精度和可解释性.
结论:
- 深度CRPs提供了一个准确和生物可解释的计算方法来识别和分类CRPs.
- 该模型有助于发现和开发针对通道蛋白的新型毒素.
- 这项研究有助于推进治疗通道病变的药物发现.
