一种深度学习方法,可以预测细菌ADP-ribosyltransferase毒素
Dandan Zheng1, Siyu Zhou1, Lihong Chen1
1NHC Key Laboratory of Systems Biology of Pathogens, National Institute of Pathogen Biology, Chinese Academy of Medical Sciences and Peking Union Medical College, Beijing 102629, China.
Bioinformatics (Oxford, England)
|June 17, 2024
概括
一个新的深度学习模型,ARTNet,在基因组中准确识别细菌ADP-ribosyltransferase毒素 (bARTTs). 这种工具有助于发现新的BARTT,这对于理解细菌毒性和病原性至关重要.
科学领域:
- 生物化学和分子生物学
- 生物信息学和计算生物学
- 微生物学 微生物学
背景情况:
- ADP-ribosylation调节关键的细胞过程,如染色质结构,RNA转录和细胞死亡.
- 细菌ADP-ribosyltransferase毒素 (bARTTs) 是重要的毒性因子,使细菌能够操纵宿主细胞进行病变发生.
- 鉴定新型BARTT是具有挑战性的,因为有限的数据和序列多样性.
研究的目的:
- 开发一个深度学习模型,ARTNet,用于从细菌基因组准确预测bARTT.
- 通过数据增强和域次序利用来克服数据稀缺性和提高预测性能.
主要方法:
- 开发了ARTNet,这是用于bARTT预测的深度学习模型.
- 实施数据增强技术,以解决有限的培训数据.
- 利用与ART相关的域子序列,以优化模型性能.
主要成果:
- 在独立测试数据集上,ARTNet的MCC值为0.9351,F1得分 (宏观) 为0.9666,实现了高性能.
- 在精度和效率方面,ARTNet的表现优于现有的深度学习和传统机器学习模型.
- 证明了ARTNet能够在各种超级家族中预测新的bARTT,即使没有序列相似性.
结论:
- ARTNet是一种有效的工具,用于识别新型细菌ADP-ribosyltransferase毒素.
- 该模型显著推进了细菌基因组学中bARTTs的查和发现.
- ARTNet是公开可用的,促进了细菌病原和毒性更广泛的研究.


