NeuroPpred-SHE:一种可解释的神经预测模型,基于手工制作的特征和T5模型嵌入的特征和嵌入的选定的特征
Jian Wen1, Zhijie Ding1, Zhuoyu Wei1
1School of Information and Artificial Intelligence, Anhui Agricultural University, Hefei, 230036, China.
Computers in biology and medicine
|August 25, 2024
概括
这项研究介绍了NeuroPpred-SHE,它是通过结合蛋白质语言模型嵌入和手工制作的功能来预测神经的高效模型. 它在识别这些关键的神经递质方面取得了卓越的准确性.
科学领域:
- 生物化学和分子生物学
- 神经科学是一个神经科学.
- 计算生物学 计算生物学
背景情况:
- 神经是免疫系统和中枢神经系统中的重要神经递质,对生物调节和药物发现至关重要.
- 目前用于神经鉴定的实验方法是低效和昂贵的.
- 由于特征表示的局限性,现有的计算方法缺乏准确性.
研究的目的:
- 开发一个高效和可解释的计算模型来准确预测神经.
- 通过整合不同的特征类型来增强特征可表示性.
- 为了确定一个最佳的特征子集,以提高预测性能.
主要方法:
- 使用预先训练的T5蛋白语言模型嵌入特征以及其他12种手工制作特征的方法.
- 融合嵌入和手工制作的功能,以提高可表示性.
- 在模型开发中使用特征选择技术 (RF,mRMR,XGBoost) 和机器学习模型 (GBDT,XGBoost,SVM,MLP,LightGBM).
主要成果:
- 结合融合功能和GBDT的模型实现了最高的性能.
- 在独立测试中获得了97.8%的AUROC,超过了现有的最先进的预测器.
- 开发的模型NeuroPpred-SHE显示出高效率和可解释性.
结论:
- NeuroPpred-SHE在计算神经预测方面取得了重大进展.
- 蛋白质语言模型嵌入的整合和优化的特征选择提高了预测准确性.
- 这种方法为加速药物发现和理解神经系统疾病提供了有价值的工具.
