深度VEGF:通过连接封闭的循环单元与二维卷积神经网络来预测血管内皮生长因子的深层堆叠组合模型
Raed Alsini1, Abdullah Almuhaimeed2, Farman Ali3
1Department of Information Systems, Faculty of Computing and Information Technology, King Abdulaziz University, Jeddah, Saudi Arabia.
Journal of biomolecular structure & dynamics
|March 7, 2024
概括
深度VEGF使用深度学习准确预测血管内皮生长因子 (VEGF). 这种计算模型为疾病研究和药物发现提供了比实验方法更快,更具成本效益的替代方案.
科学领域:
- 生物技术是生物技术.
- 计算生物学 计算生物学
- 基因组学就是基因组学.
背景情况:
- 血管内皮生长因子 (VEGF) 与癌症和关节炎等疾病有关.
- 目前的实验性VEGF鉴定是昂贵和耗时的.
- 现有有效的抗VEGF疗法,突出了需要更好的识别方法.
研究的目的:
- 开发一种新的计算模型,Deep-VEGF,用于准确的VEGF预测.
- 为实验性VEGF鉴定创造一个高效和成本效益的替代方案.
- 利用深度学习加速与VEGF相关的研究和药物发现.
主要方法:
- 使用初级序列制定了两个数据集.
- 开发了一个新的特征描述器,K-Space Tri Slicing-Bigram位置特定评分矩阵 (KSTS-BPSSM).
- 采用深度学习模型 (GRU,GAN,CNN) 和一个集体堆叠方法.
主要成果:
- 基于KSTS-BPSSM的组合模型实现了最高的预测准确性.
- 该模型在训练和测试数据集上的表现优于其他预测指标.
- 证明了深度学习对精确VEGF预测的有效性.
结论:
- 深度VEGF提供了一个强大的计算工具,用于准确的VEGF预测.
- 这种方法可以加速研究,简化药物发现,并确定治疗点.
- 这项研究提高了对VEGF在健康和疾病中的作用的理解.
