iAFPs-Mv-BiTCN:使用自我注意力转换器嵌入和转换基于进化的多视图特征预测抗真菌,采用双向时间卷积网络
Shahid Akbar1, Quan Zou2, Ali Raza3
1Institute of Fundamental and Frontier Sciences, University of Electronic Science and Technology of China, Chengdu 610054, China; Department of Computer Science, Abdul Wali Khan University Mardan, KP 23200, Pakistan.
Artificial intelligence in medicine
|March 29, 2024
概括
一个新的计算模型,iAFPs-Mv-BiTCN,准确地预测抗真菌,为真菌感染提供了比传统药物开发更快,更具成本效益的替代方案.
科学领域:
- 计算生物学和生物信息学
- 药物的发现和开发.
- 菌群学和传染病 菌群学和传染病
背景情况:
- 真菌感染对全球健康构成重大威胁,由COVID-19等因素加剧.
- 目前的抗真菌药物开发是昂贵的,耗时的,并且可能导致不良影响.
- 由于其高特异性和有针对性的作用,类治疗药物表现有前途.
研究的目的:
- 开发一个高精度的计算模型来预测抗真菌.
- 通过整合多种特征编码技术来克服现有预测方法的局限性.
- 为加速发现新型抗真菌疗法提供一个有价值的工具.
主要方法:
- 使用词嵌入 (skip-gram) 和基于变压器的双向编码器表示用于编码.
- 集成的基于转换的进化特征,使用带有离散波形转换的伪位置特定得分矩阵 (PsePSSM-DWT).
- 采用沙普利添加式扩展 (SHAP) 进行最佳特征选择,并使用双向时间卷积网络 (BiTCN) 训练模型.
主要成果:
- 该iAFPs-Mv-BiTCN模型实现了高预测准确性 (98.15%在培训数据上,94.11%在独立数据上) 和AUC (0.99在培训上,0.98在独立).
- 与现有模型相比,表现出优越的性能,精度大约高出4至5%.
- 该模型的特征选择方法有效地降低了培训成本.
结论:
- iAFPs-Mv-BiTCN模型是预测抗真菌的可靠和有效工具.
- 这种计算方法可以显著帮助制药设计,加速抗真菌药物的发现.
- 该研究强调了集成计算方法在解决诸如真菌感染等关键健康挑战方面的潜力.
