DeepAVP-TPPred:使用转换的基于图像的局部描述符和二进制树生长算法识别抗病毒
Matee Ullah1, Shahid Akbar1,2, Ali Raza3
1Institute of Fundamental and Frontier Sciences, University of Electronic Science and Technology of China, Chengdu, Sichuan 610054, China.
Bioinformatics (Oxford, England)
|May 6, 2024
概括
这项研究介绍了DeepAVP-TPPred,这是一个先进的机器学习模型,用于预测抗病毒 (AVP). 这种新的方法提高了准确性和概括性,为抗病毒药物发现提供了更有效的工具.
科学领域:
- 生物化学和分子生物学
- 计算生物学 计算生物学
- 药物发现 药物发现 药物发现
背景情况:
- 病毒感染仍然是一个重要的全球健康问题,尽管现有的治疗方法.
- 抗病毒 (AVP) 由于其广泛的活性,显示出作为新型治疗剂的前景.
- 准确预测AVP至关重要,但具有挑战性,目前的机器学习方法有局限性.
研究的目的:
- 开发一个高效的机器学习模型,DeepAVP-TPPred,用于识别抗病毒.
- 克服现有方法在特征工程,准确性和概括性方面的局限性.
主要方法:
- 提取基于图像和基于进化信息的新型特征集.
- 使用二进制树生长算法优化特征集.
- 使用优化功能的深度神经网络分类模型的开发.
主要成果:
- 通过5倍交叉验证和独立数据集测试,DeepAVP-TPPred模型实现了最大的性能.
- 在准确性和概括性方面,与现有预测器相比,证明了提高效率.
- 该模型成功识别了潜在的抗病毒.
结论:
- DeepAVP-TPPred为抗病毒鉴定提供了一种强大而高效的方法.
- 开发的模型有可能加速发现新的抗病毒疗法.
- 这项工作有助于推进药物发现中的计算方法.


