FCMSTrans:通过在变压器框架内使用多尺度卷积和深度特征组合来准确预测与疾病相关的nsSNP

科学领域:

• 生物信息学是一种生物信息学.
• 计算生物学 计算生物学
• 基因组学就是基因组学.

背景情况:

• 非同义单核酸多态 (nsSNP) 是关键的遗传变异,与超过6000种疾病相关.
• 准确预测NSSNP对于加速药物发现和改善疾病诊断至关重要.
• 现有的预测方法需要改进,以进行全面的特征分析.

研究的目的:

• 开发FCMSTrans,一种用于非同义单核酸多态 (nsSNP) 的新且准确的预测器.
• 为了利用变压器框架和多尺度模块进行先进的特征提取.
• 通过整合特征融合,增强与nsSNP相关的分子动态的理解.

主要方法:

• FCMSTrans采用了深度功能组合策略,将进化规模建模 (ESM) 和ProtTrans (PT) 功能与位置特定评分矩阵,次要结构,预测相对溶剂可访问性和预测障碍 (PSPP) 功能集成在一起.
• 变压器框架的自我注意机制被用来提取高级抽象表示.
• 多尺度卷积捕捉了不同级别的特征,丰富了特征抽象.

主要成果:

• 通过其综合特征融合方法,FCMSTrans通过其综合特征融合方法显示了与现有方法相比的显著改进.
• 对不同数据集 (PredictSNP,MMP,PMD) 的性能评估产生了高的曲线下面积 (AUC) 评分:分别为0.869,0.819和0.693.
• 在一次盲测中,FCMSTrans的表现优于领先的预测器PROVEAN,AUC为0.7838.

结论:

• FCMSTrans为nsSNP预测提供了一种强大而优秀的方法.
• 新的功能组合和深度学习架构提高了预测准确度.
• 该工具可用于学术用途,促进nsSNP相关疾病的进一步研究.