深度堆叠-AVPs:使用三段进化特征和基于词嵌入的多视角特征预测抗病毒,使用深度堆叠模型.

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:

• 病毒感染对全球健康构成重大挑战.
• 抗病毒 (AVP) 显示出作为治疗病毒疾病的治疗剂的前景.
• 目前的药物开发是昂贵和耗时的,需要先进的计算方法.

研究的目的:

• 开发一种新的计算模型,Deepstacked-AVPs,用于准确区分抗病毒 (AVPs).
• 通过利用机器学习来识别AVP来克服现有的湿实验室方法的局限性.
• 为加速新型抗病毒疗法发现提供可靠和有效的工具.

主要方法:

• 使用基于三分段的位置特定评分矩阵 (PSSM-TS) 和word2vec语义特征进行序的数值编码.
• 通过组合/转变/分布-转变 (CTDT) 描述符集成物理化学性质.
• 使用信息获取 (IG) 进行特征选择,并使用堆叠组合模型进行分类.

主要成果:

• 深层堆叠-AVP模型实现了高预测准确度 (培训时96.60%,独立样本时95.15%).
• 获得了优秀的性能指标,包括0.98的曲线下面面积 (AUC) 和0.97的精度回忆 (PR).
• 与现有方法相比,该模型显示出更高的准确性.

结论:

• 深层堆叠的AVP提供了一种可靠和有效的计算工具,用于识别抗病毒.
• 该模型的性能超过现有方法,表明其在制药设计和研究中的实用性.
• 这种方法可以显著帮助开发基于的新型抗病毒药物.