基于深度变异自编码器和对比学习的抗炎识别的深度学习模型.
Yujie Xu1, Shengli Zhang2, Feng Zhu3
1School of Mathematics and Statistics, Xidian University, Xi'an, 710071, People's Republic of China.
Scientific reports
|August 8, 2024
概括
我们开发了DAC-AIPs,这是一种用于识别抗炎的深度学习模型. 这种先进的计算工具显著提高了检测这些关键生物活性分子的准确性.
科学领域:
- 生物技术是生物技术.
- 计算生物学 计算生物学
- 免疫学 免疫学 免疫学
背景情况:
- 抗炎是一种具有显著免疫调节和抗炎作用的生物活性分子.
- 准确识别抗炎对于理解炎症,免疫调节和开发新疗法至关重要.
- 现有的计算模型需要改进,以便精确识别抗炎.
研究的目的:
- 开发一种先进的深度学习模型,用于准确识别抗炎.
- 利用变化自编码器和对比学习来增强特征表示和分类.
- 为抗炎性的鉴定提供一种实用且易于使用的工具.
主要方法:
- 提出了一个深度学习模型,DAC-AIPs,利用变量自编码器和对比学习.
- 集成的多热编码用于更丰富的序列信息捕获.
- 在自动编码器中使用卷积和线性层来进行潜在特征学习和重建,并通过变异推理增强.
主要成果:
- 与现有的最先进的模型相比,DAC-AIP实现了更高的性能.
- 在交叉验证中显示了约88%的分类准确性,比以前的模型有7%的改进.
- 废弃和可解释性实验证实了该模型的有效性.
结论:
- DAC-AIPs为识别抗炎提供了一个高度准确和有效的计算方法.
- 该模型的性能和验证的有效性支持其在药物开发和生物技术中的应用.
- 一个用户友好的在线预测器可在http://dac-aips.online上获得,以便广泛访问.
更多相关视频
09:47Author Spotlight: Advancing Alzheimer's Research – Exploring Early Detection and Multi-Omics Approaches
Published on: December 15, 2023
1.0K
06:19Integration of Animal Behavioral Assessment and Convolutional Neural Network to Study Wasabi-Alcohol Taste-Smell Interaction
Published on: August 16, 2024
415
