一个高效的混合深度学习架构,用于预测短抗微生物
Quang H Nguyen1, Thanh-Hoang Nguyen-Vo2,3, Trang T T Do4
1School of Information and Communication Technology, Hanoi University of Science and Technology, Hanoi, Vietnam.
Proteomics
|June 5, 2024
概括
发现新型短抗微生物 (AMP) 对新药开发至关重要. 我们的iAMP-DL深度学习模型有效地预测有前途的AMP,优于现有方法,为研究人员提供强大,稳定的框架.
科学领域:
- 生物化学 生物化学
- 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:
- 短抗微生物 (AMP) 对各种微生物具有强烈的活性.
- 开发新的AMP对于抗微生物药物和治疗创新至关重要.
- 计算方法提高AMP选效率,但需要改进模型.
研究的目的:
- 提出和评估iAMP-DL,这是一个混合深度学习模型,用于预测短时间的AMP.
- 将iAMP-DL的性能与最先进的计算方法进行比较.
- 评估iAMP-DL框架的稳定性和稳定性.
主要方法:
- 开发了iAMP-DL,这是一个混合深度学习架构,结合了长短期记忆 (LSTM) 和卷积神经网络 (CNN).
- 利用独立的测试集与现有方法进行公平的性能比较.
- 进行了10次重复实验,以评估模型的强度和稳定性.
主要成果:
- 与现有的最先进的方法相比,iAMP-DL表现出更高的性能.
- 该模型在预测短期AMP方面被证明是有效的,强大的和稳定的.
- 对负数据采样方法的比较分析证实了该框架对于AMP预测的一般适用性.
结论:
- iAMP-DL是一个高度有效和可靠的框架,用于识别有前途的短抗菌.
- 拟议的方法推进了抗微生物发现的计算方法.
- 开发了一个可访问的在线网络服务器,以支持研究社区在AMP识别.
