基于生成对抗网络增强与Noval 2 步身份验证用于抗冠状病毒预测

科学领域:

• 生物技术是生物技术.
• 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:

• 病毒性疾病是一个持续的全球健康威胁,需要新的治疗策略.
• 抗病毒是一种有希望的途径,因为它们的疗效和有利的安全性.
• 目前用于识别和预测抗病毒活性的方法需要改进.

研究的目的:

• 开发和验证一种使用生成对抗网络 (GAN) 增强抗病毒数据的新方法.
• 通过合成的两步验证过程,提高抗病毒活性预测的准确性.
• 评估深度学习模型在使用增强数据集对抗病毒的分类方面的表现.

主要方法:

• 一个生成对抗网络 (GAN) 用于抗病毒数据增强.
• 对于合成,实施了涉及NCBI-BLAST和物理化学性质比较的两步验证过程.
• 五种深度学习模型,包括1D卷积神经网络,用于分类任务.

主要成果:

• 一维卷积神经网络,利用增强的数据,比其他模型实现了更高的性能.
• 该模型的平均分类准确率为95.41%,AUC为0.95,MCC为0.90.
• 与非增强数据相比,验证增强显著改善了预测结果.

结论:

• 拟议的方法有效地提高了抗病毒预测的准确性.
• 与强大的身份验证流程相结合的生成对抗网络显示出药物发现的巨大潜力.
• 开发的模型在预测抗病毒活性方面表现出高效,为对抗病毒感染提供了有价值的工具.