DMAMP:用于检测抗微生物及其多种活动的深度学习模型

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:

• 抗微生物 (AMP) 对于药物发现至关重要,因为它们具有广泛的抗菌活性.
• 实验检测AMP及其活动是昂贵的;计算方法提供了一个更经济的替代方案.
• 现有的计算方法通常将AMP识别和活动预测视为独立的任务,忽视了潜在的协同关系.

研究的目的:

• 开发一种新的深度学习模型,DMAMP,用于同时识别AMP及其活动.
• 解决当前计算方法中独立任务处理的局限性.
• 利用多任务学习来改善功能共享和提取.

主要方法:

• DMAMP采用多任务学习框架,使用卷积神经网络和残余块来共享特征提取.
• 完全连接的层被用来学习特定任务的信息.
• 结合了原始的进化特征,以提高对活动的预测.

主要成果:

• 与单一任务模型相比,DMAMP表现出更高的性能,在AMP识别上获得了4.28%更高的马修斯相关系数 (MCC).
• 与单任务模型和现有方法相比,该模型在预测五种不同的活动时获得了更高的平均MCC.
• 特征可视化证实了该模型捕捉类差异的能力,并且显示了识别针对SARS-CoV-2活性的潜力.

结论:

• DMAMP提供了一种有效的多任务学习方法,用于同时识别AMP和活动预测.
• 模型分享和学习不同特征的能力提高了预测准确度.
• 这种方法为加速发现新型抗微生物和抗病毒类药物提供了一个有希望的工具.