AACFlow:基于注意力增强卷积神经网络和流注意力机制的端到端模型,用于识别抗癌
Shengli Zhang1, Ya Zhao1, Yunyun Liang2
1School of Mathematics and Statistics, Xidian University, Xi'an 710071, China.
Bioinformatics (Oxford, England)
|March 7, 2024
概括
这项研究介绍了AACFlow,这是一种用于识别抗癌 (ACP) 的深度学习模型. AACFlow在预测ACP方面表现出卓越的表现,为癌症药物开发提供了一个有前途的工具.
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) 是天然化合物,具有性质,向癌细胞.
- 由于其对癌细胞膜的选择性作用,ACP代表了抗癌药物开发的有希望的途径.
- 开发有效的方法来识别ACP对于推进癌症治疗至关重要.
研究的目的:
- 提出AACFlow,一个端到端的深度学习模型,用于准确识别抗癌.
- 借助深度代表性学习和注意力机制,提高了非洲和非洲国家和地区的预测能力.
- 通过创新的深度学习架构,改进现有的非洲和非洲国家和地区识别方法.
主要方法:
- 开发了一个名为AACFlow的端到端深度学习模型.
- 集成了注意力增强卷积神经网络 (AAConv) 与多层卷积神经网络 (CNN) 进行特征提取.
- 整合了基于流量网络的多头流量注意机制,以挖掘序列特征.
- 用一个独立的测试数据集进行模型评估.
主要成果:
- AACFlow实现了高性能指标:83.9%的准确度 (ACC),83.0%的灵敏度 (Sn),84.8%的特异性 (Sp) 和0.892的AUC.
- 该模型在ACC方面表现比基线模型高4.9%,Sn方面表现1.5%,Sp方面表现8.0%,AUC方面表现0.016.
- 记录了67.85%的马修斯相关系数 (MCC).
- 特性可视化增强了模型预测的可解释性.
结论:
- 与基线模型相比,AACFlow在预测抗癌方面表现具有竞争力和改进.
- 拟议的深度学习架构有效地捕获了全球和本地序列信息,用于ACP识别.
- AACFlow具有显著的潜力,可以加速新型抗癌治疗药物的发现和开发.
