整合传统的机器学习和深度学习,精确查抗癌:一种新的方法,有效的药物发现
Meiqi Xu1, Jiefu Pang2, Yangyang Ye1
1Key Laboratory of Novel Targets and Drug Study for Neural Repair of Zhejiang Province, School of Medicine, Hangzhou City University, Hangzhou 310015, Zhejiang, China.
ACS omega
|April 15, 2024
概括
这项研究引入了一种用于识别抗癌 (ACP) 的新型计算模型. 通过融合深度学习和机器学习,该模型实现了高精度,有助于癌症治疗药物发现.
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:
- 准确识别抗癌 (ACP) 对于癌症治疗至关重要.
- 传统的机器学习方法在捕捉序列复杂性方面存在局限性.
- 深度学习为分析生物序列提供了先进的方法.
研究的目的:
- 开发一个创新的两阶段分类模型,用于ACP的识别.
- 探索新的序列编码策略,并整合自然语言处理 (NLP) 和机器学习模型.
- 为了提高预测准确性和ACP选的效率.
主要方法:
- 提出了一种为ACP国家进行识别的两阶段分类模型.
- 探索了三个新的序编码策略.
- 融合了两个主流的NLP模型与11个机器学习模型.
- 使用ROC曲线和t-SNE进行绩效评估.
主要成果:
- 通过融合模型 (M3E基和KNeighborsDist) 实现了0.939的最高平均精度 (AvgAcc) 和0.97的AUC.
- 证明了模型在考虑氨基酸序列的语义信息方面的有效性.
- 通过体外实验验验证了两个预测的ACP的抗瘤疗效.
结论:
- 开发的核聚变模型提供了一种方便和有效的方法来选ACP.
- 这种计算方法显著提高了ACP预测的准确性.
- 这些战略显示了促进抗癌药物发现和设计的潜力.
更多相关视频
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
6.8K
09:53Quantifying the Brain Metastatic Tumor Micro-Environment using an Organ-On-A Chip 3D Model, Machine Learning, and Confocal Tomography
Published on: August 16, 2020
7.2K
