AMP-RNNpro:使用概率特征的两阶段方法来识别抗菌药物
Md Shazzad Hossain Shaon1, Tasmin Karim1, Md Fahim Sultan1
1Department of Computer Science and Engineering, Daffodil International University, Daffodil Smart City, Birulia, Dhaka, 1216, Bangladesh.
Scientific reports
|June 5, 2024
概括
一种新型的循环神经网络 (RNN) 模型,AMP-RNNpro,使用先进的特征工程有效检测抗菌 (AMP). 这加快了新抗微生物疗法的发现,以对抗抗生素耐药性的增加.
科学领域:
- 计算生物学 计算生物学
- 生物信息学是一种生物信息学.
- 机器学习在药物发现中的作用
背景情况:
- 抗微生物 (AMP) 对于开发针对耐药微生物的新疗法至关重要.
- 目前用于AMP发现的方法通常是缓慢和低效的.
- 机器学习和深度学习为加速AMP识别提供了有希望的途径.
研究的目的:
- 开发一个创新的深度学习模型,AMP-RNNpro,用于准确有效地检测抗菌.
- 探索和验证各种特征编码方法来表示AMP检测中的蛋白质序列.
- 确定有助于AMP识别和药物发现的关键特征.
主要方法:
- 开发了一个基于循环神经网络 (RNN) 的模型,AMP-RNNpro.
- 采用了八种特征编码方法,按氨基酸成分,自相关性和伪氨基酸成分分类.
- 一个两阶段的预测框架涉及初始模型分析,顶级模型的选择和使用概率特征的元模型聚合.
主要成果:
- AMP-RNNpro模型实现了高性能指标:97.15%的准确性,96.48%的灵敏性和97.87%的特异性.
- 分析发现AAC,ASDC和CKSAAGP是对AMP检测和药物发现具有高度影响力的特征.
- 创建了一个用户友好的网站来展示AMP预测框架.
结论:
- AMP-RNNpro框架在识别新型抗微生物方面表现出卓越的性能.
- 该研究强调了先进特征工程和深度学习在加速抗微生物药物发现方面的有效性.
- 开发的工具为研究人员在打击抗菌素耐药性的过程中提供了宝贵的资源.
更多相关视频
06:54Author Spotlight: Understanding and Detecting Environmental Antimicrobial Resistance by Combining Culture-Based Techniques and Genomics
Published on: July 19, 2024
1.0K
09:07Author Spotlight: Accelerating Diagnostic Accuracy with Direct Identification of Gram-Negatives from Blood Culture Bottles
Published on: May 24, 2024
866
