mACPpred 2.0:用集成的空间和概率特征表示来进行抗癌预测的堆叠深度学习
Vinoth Kumar Sangaraju1, Nhat Truong Pham1, Leyi Wei2
1Department of Integrative Biotechnology, College of Biotechnology and Bioengineering, Sungkyunkwan University, Suwon, 16419, Gyeonggi-do, Republic of Korea.
Journal of molecular biology
|September 5, 2024
概括
一个新的工具,mACPpred 2.0,通过先进的深度学习和特征表示,增强了抗癌 (ACP) 的识别. 这种改进的方法有助于研究人员发现癌症治疗的新型ACP.
科学领域:
- 生物信息学是一种生物信息学.
- 计算生物学 计算生物学
- 免疫信息学是指免疫信息学.
背景情况:
- 抗癌 (ACP) 对癌症治疗有希望,但很难从氨基酸序列中识别.
- 现有的机器学习 (ML) 工具有助于确定ACP,其中mACPpred (2019) 是一个显著的进步.
- 鉴于特征性ACP的快速增长,需要更新和更准确的预测模型.
研究的目的:
- 开发一个改进的计算工具,mACPpred 2.0,用于准确预测抗癌.
- 整合多种特征描述符,包括基于NLP的嵌入和概率特征,以增强ACP识别.
- 为可访问的ACP预测创建一个用户友好的Web服务器.
主要方法:
- 通过合并所有可用的公开ACP数据集,构建了一个更新的基准分析数据集.
- 采用了广泛的特征描述符,包括基于传统和先进的自然语言处理 (NLP) 的嵌入.
- 使用堆叠深度学习 (SDL) 方法与1D卷积神经网络 (CNN) 块和混合特征 (顶级NLP和90概率特征).
主要成果:
- 堆叠的深度学习方法有效地通过混合特征表示来识别隐藏的模式.
- 与其前身 (mACPpred) 和现有的最先进的ACP预测器相比,mACPpred 2.0表现出更高的性能.
- 严格的交叉验证和独立测试证实了mACPpred 2.0.0的高准确性和可靠性.
结论:
- mACPpred 2.0 在抗癌的计算预测方面取得了重大进展.
- 通过SDL整合空间和概率特征表示对于提高预测准确度至关重要.
- 公共可访问的mACPpred 2.0网络服务器 (https://balalab-skku.org/mACPpred2/) 将有助于ACP研究和药物发现.
