DeePhafier:使用多层自我注意神经网络结合蛋白质信息的菌体生活方式分类器
Yan Miao1, Zhenyuan Sun1, Chen Lin2
1College of Computer and Control Engineering, Northeast Forestry University, No. 26 Hexing Road, Harbin, 150040, Heilongjiang, China.
Briefings in bioinformatics
|August 7, 2024
概括
DeePhafier是一种新的计算方法,使用先进的神经网络和蛋白质特征准确地分类菌体的生活方式 (毒性与温和). 这一进步有助于理解微生物组内的菌体与宿主相互作用.
科学领域:
- 微生物学 微生物学
- 生物信息学是一种生物信息学.
- 计算生物学 计算生物学
背景情况:
- 菌体 (菌体) 是感染细菌的病毒,对微生物组动态至关重要.
- 菌体被分为毒性或温和性,影响菌体与宿主相互作用.
- 由于有限的特征考虑,现有的分类方法缺乏准确性.
研究的目的:
- 介绍DeePhafier,一种用于改善菌体生活方式分类的新型计算方法.
- 通过准确的分类,增强对菌体与宿主相互作用的理解.
- 为分析菌体基因组提供更强大的工具.
主要方法:
- 开发DeePhafier,利用多层自我注意神经网络和全球自我注意神经网络.
- 从位置特定评分矩阵 (PSSM) 获得的蛋白质特征的整合.
- 在菌素序列上使用五倍交叉验证进行评估.
主要成果:
- 对于长于2000bp的序列,DeePhafier实现了87.54%的高分类准确度.
- 与两个基准分类方法相比,该方法显示出更高的性能.
- 序列和蛋白质特征的联合使用显著提高了分类准确性.
结论:
- DeePhafier在分类菌体生活方式方面取得了重大进展.
- 计算方法有效地利用深度学习和蛋白质特征来提高准确性.
- 准确的菌体生活方式分类对于微生物组研究和了解菌体生物学至关重要.


