通过卷积神经网络的多相似性融合和负样本选择来识别蛋白质酸化部位与疾病的关联

科学领域:

• 生物化学 生物化学
• 计算生物学 计算生物学
• 基因组学就是基因组学.

背景情况:

• 蛋白质化是一种关键的翻译后修饰 (PTM),涉及到许多生物过程.
• 蛋白质酸化的失调与各种人类疾病有关,突出显示需要了解病位疾病的关联.

研究的目的:

• 开发和验证一种计算模型,用于识别蛋白质酸化部位与人类疾病之间的关联.
• 利用基于网络的方法和机器学习来预测这些关键的生物联系.

主要方法:

• 构建对酸化位点 (序列,高斯相互作用形状内核) 和疾病 (语义,症状,高斯相互作用形状内核) 的相似性网络.
• 应用随机步行与重启和扩散组件分析,以整合网络信息.
• 开发一个卷积神经网络 (CNN) 模型,结合可靠的负样本进行预测.

主要成果:

• CNN模型实现了高性能指标:93.48%的准确性,96.82%的特异性,90.15%的灵敏性和0.9786.6的AUC.
• 顶部预测的酸化部位显示了与阿尔茨海默氏症和神经母细胞瘤等疾病的文献和数据库的显著验证.
• 该方法表现出了出色的预测性能和在识别与疾病相关的酸化部位方面的实际价值.

结论:

• 开发的计算方法有效地识别了蛋白质酸化部位与疾病的关联.
• 这种方法具有显著的潜力,可以阐明疾病的发病因子,并发现新的治疗点.
• 这项研究强调了将网络分析和深度学习整合到生物发现中的实用性.