使用深度学习在多个测试中对抗SARS-CoV-2分子的约束性活动分类
Bilge Eren Yamasan1, Selçuk Korkmaz2
1Department of Biophysics, Trakya University Faculty of Medicine, Edirne, Türkiye
Balkan medical journal
|March 11, 2024
概括
使用合成少数超样本技术 (SMOTE) 的深度学习模型通过准确地分类抗SARS-CoV-2分子来改善COVID-19药物发现. 这种方法有效地解决了生物试验中的数据不平衡问题,优于传统方法.
科学领域:
- 计算生物学 计算生物学
- 药物发现 药物发现 药物发现
- 机器学习 机器学习
背景情况:
- 由于COVID-19的流行,需要快速确定治疗解决方案.
- 传统的药物发现方法耗时且劳动密集.
- 深度学习为复杂的生物见解提供了高效的数据处理.
研究的目的:
- 使用SMOTE应用深度神经网络 (DNN) 来加强对抗SARS-CoV-2分子结合活动的分类.
- 改进对抗SARS-CoV-2的潜在候选药物的识别.
主要方法:
- 利用了11个不同的SARS-CoV-2生物测试数据集.
- 雇佣SMOTE来解决数据集中的阶级不平衡.
- 开发并优化了一个DNN,具有特定的激活功能,批量规范化和Adam优化.
- 使用像BACC,精度,回忆,F1得分,MCC和AUC这样的指标来评估模型性能.
主要成果:
- 根据化合物比率,DNN的性能有所不同;在平衡试验中 (AlphaLISA,Cov-PPE) 看到可靠的结果.
- 高度不平衡的测定 (3CL,细胞病变效应) 显示回忆率更高,但精度更低.
- DNN模型的表现一般很好,实现了有利的BACC,MCC和AUC,特别是考虑到数据集不平衡.
结论:
- 深度学习,特别是DNN与SMOTE,通过改进活性化合物识别,显著增强COVID-19药物发现.
- 这种计算方法有效地处理高通量选数据不平衡.
- 这项研究表明,先进的计算技术在这个领域的传统模型的优越性.
