通过KNIME工作流程检查抗微生物分类中的进化规模建模衍生的不同维的嵌入
Karla L Martínez-Mauricio1, César R García-Jacas2, Greneter Cordoves-Delgado1
1Departamento de Ciencias de la Computación, Centro de Investigación Científica y de Educación Superior de Ensenada (CICESE), Ensenada, Mexico.
Protein science : a publication of the Protein Society
|March 19, 2024
概括
这项研究表明,来自进化规模建模 (ESM-2) 模型的特定嵌入有效地分类抗微生物 (AMP). 使用这些特征的非深度学习量化结构-活动关系 (QSAR) 模型的性能与深度学习方法相比或更好.
科学领域:
- 生物信息学是一种生物信息学.
- 化学信息学 化学信息学
- 计算生物学 计算生物学
- 机器学习在药物发现中的作用
背景情况:
- 分子特征对于定量结构-活动关系 (QSAR) 建模至关重要.
- 预训练的模型,如进化规模建模 (ESM-2),为下游任务提供了强大的嵌入.
- 在蛋白质结构预测方面,ESM-2模型显示出了前景.
研究的目的:
- 评估ESM-2模型嵌入用于分类抗微生物 (AMP) 的实用性.
- 将使用ESM-2嵌入式构建的QSAR模型与最先进的深度学习模型的性能进行比较.
- 开发可重现的工作流程,以公平地比较计算方法.
主要方法:
- 使用KNIME工作流程来确保QSAR模型开发的一致方法.
- 从不同的ESM-2模型 (30层和33层) 中提取了不同尺寸的嵌入物.
- 使用单个ESM-2模型嵌入,融合嵌入构建和比较QSAR模型,并与深度学习模型进行比较.
主要成果:
- 来自30层ESM-2的640维嵌入和来自33层ESM-2模型的1280维嵌入产生了最好的QSAR模型性能.
- 与使用单个模型相比,来自多个ESM-2模型的融合功能改善了QSAR模型的性能.
- 频率分析表明,只有ESM-2嵌入的子集 (43-66%) 被积极用于建模.
- 非深度学习的QSAR模型,当使用原则方法开发时,实现了与AMP预测深度学习模型相比的或更高的性能.
结论:
- 特定的ESM-2嵌入对于基于QSAR的AMP分类非常有价值.
- 来自多个ESM-2模型的特征融合增强了预测能力.
- 开发的KNIME工作流程促进了公平的比较,并提出了新的非深度学习QSAR模型.
- 从方法上讲,非深度学习的QSAR模型仍然可以与AMP预测的深度学习方法竞争.
关键词:
欧洲经济机制-2 (ESM-2) 是一个.一种类型的机械.在QSAR中使用QSAR.抗微生物类的抗微生物.深度学习是一种深度学习.整体分类器 整体分类器进化规模建模 进化规模建模浅级分类器是浅级分类器.更多相关视频
09:52A Clinical Metaproteomics Workflow Implemented within Galaxy Bioinformatics Platform to Analyze Host-Microbiome Interactions Underlying Human Disease
Published on: January 10, 2025
583
11:56Antimicrobial Peptides Produced by Selective Pressure Incorporation of Non-canonical Amino Acids
Published on: May 4, 2018
12.5K
