MuCoCP:以先验化学知识为基础的多模式对比学习预训练的神经网络,用于预测循环质膜透能力
Yunxiang Yu1, Mengyun Gu1, Hai Guo2
1School of Basic Medical Sciences, Lanzhou University, Lanzhou, 730000, China.
Bioinformatics (Oxford, England)
|July 27, 2024
概括
人工智能模型MuCoCP准确预测循环生物活性,加速药物发现. 这种人工智能方法为传统实验室方法提供了更快,更有效的替代方案,用于识别潜在的疗法.
科学领域:
- 计算化学是一种计算化学.
- 药物发现 药物发现
- 医学中的人工智能
背景情况:
- 循环因其优势而显示出作为治疗方法的巨大希望.
- 传统的湿实验室方法来评估循环的生物活性是昂贵和低效的.
- 人工智能为药物开发提供了更快,更节能的方法.
研究的目的:
- 开发MuCoCP,一个预训练的AI模型,用于提取循环特征.
- 微调MuCoCP以准确预测下游任务中的循环生物活性.
- 通过新型数据增强和无监督学习来提高模型的信息获取能力.
主要方法:
- 开发了一个完整的预训练模型 (MuCoCP),用于循环特征提取.
- 采用一种新的数据增强方法,利用先验化学知识.
- 利用多个无监督的培训目标功能来提高模型性能.
主要成果:
- 在预测循环膜透性方面取得了最先进的结果.
- 在CycPeptMPDB数据集上获得了0.87的准确性和0.503的R平方.
- 在高精度 (0.84) 的外部数据集上验证了模型稳定性和概括能力.
结论:
- MuCoCP有效地提取高维周期性信息,用于准确的生物活性预测.
- 该模型可以作为循环类药物的新设计指南.
- MuCoCP促进了循环类药物开发的进步.
