模型融合用于使用深度学习预测外体所分泌的非传统蛋白质
Yonglin Zhang1, Lezheng Yu2, Ming Yang1
1Department of Clinical Pharmacy and Pharmacy Management, Affiliated Hospital of North Sichuan Medical College, Nanchong, Sichuan, China.
Proteomics
|April 21, 2024
概括
识别非传统分泌蛋白 (USP) 是细胞通信的关键. 这项研究引入了一种新的深度学习框架,将序列和进化数据结合起来,以准确预测外体介导分泌蛋白,改进现有方法.
科学领域:
- 生物化学 生物化学
- 分子生物学分子生物学
- 生物信息学是一种生物信息学.
背景情况:
- 非传统分泌蛋白 (USPs) 对于细胞间通信和生理功能至关重要,利用与经典的戈尔吉依赖路径不同的路径.
- USP通过外生体和外生体释放,起源于内质网膜,在细胞信号传递中发挥关键作用.
- 准确识别外体介导分泌蛋白 (UPSEs) 对于理解非经典分泌和开发新疗法至关重要.
研究的目的:
- 开发一种新的计算方法,用于准确预测由外体分泌的非传统蛋白质 (UPSEs).
- 通过整合多样化的数据源和先进的算法来克服现有的基于序列的预测方法的局限性.
- 增强对非经典蛋白质分泌机制及其对生物过程的影响的理解.
主要方法:
- 通过结合多个预测模型,开发了一个新的深度学习框架.
- 使用卷积神经网络 (CNN) 来从蛋白质氨基酸序列中提取突出的特征.
- 密集连接的神经网络 (DNN) 用于从蛋白质进化信息中捕获进化保护模式.
主要成果:
- 拟议的框架整合了六种不同的深度学习模型,以协同提高预测准确性.
- 组合模型在独立测试数据集上实现了77.46%的高精度 (ACC) 和0.5406的马修斯相关系数 (MCC).
- 这种方法在UPSE预测之前的计算方法相比,显示出更高的性能.
结论:
- 开发的深度学习框架在预测通过外体分泌的非传统蛋白质方面取得了重大进展.
- 这种方法为研究细胞间通信和非经典蛋白质分泌的研究人员提供了更准确的工具.
- 这些发现有助于开发针对USP介导过程的新型诊断和治疗策略.
