对基于BERT的预测抗微生物的方法进行全面评估
Wanling Gao1, Jun Zhao1, Jianfeng Gui1
1School of Information and Artificial Intelligence, Anhui Agricultural University, Hefei, Anhui 230036, China.
Journal of chemical information and modeling
|September 24, 2024
概括
抗微生物 (AMP) 预测对于开发新抗生素至关重要. 一种使用ESM-2模型的新方法iAMP-bert在预测AMP方面表现优于现有的基于BERT的工具.
科学领域:
- 计算生物学是一种计算生物学.
- 生物信息学是一种生物信息学.
- 药物发现 药物发现
背景情况:
- 抗微生物 (AMP) 对于对抗耐药细菌至关重要,需要先进的预测方法.
- 自然语言处理 (NLP) 技术,特别是基于BERT的模型,越来越多地用于AMP认可.
- 目前用于AMP预测的NLP方法在它们的基础模型,数据和特征编码策略中存在显著差异.
研究的目的:
- 综合调查和评估目前基于BERT的抗微生物 (AMP) 预测方法.
- 建立一个基准来比较各种计算AMP预测工具的预测性能.
- 基于先进的蛋白质语言模型,引入一种新的,高性能AMP预测方法iAMP-bert.
主要方法:
- 对现有的基于BERT的抗微生物 (AMP) 预测工具进行了全面的调查.
- 创建了一个独立的基准数据集,以评估被调查工具的预测能力.
- 使用ESM-2预训练模型进行AMP预测,开发了一种新方法iAMP-bert.
主要成果:
- 在接受调查的基于BERT的工具中,LM_pred (BFD) 显示出了卓越的性能.
- 使用相同数据集的交叉验证实验揭示了性能差异,并强调了需要再培训的必要性.
- 拟议的iAMP-bert方法在预测抗微生物 (AMP) 方面显著优于现有的方法.
结论:
- 虽然基于BERT的方法对抗微生物 (AMP) 预测有希望,但仍需要改进准确性.
- 新的iAMP-bert方法,利用ESM-2模型,在AMP认可方面取得了重大进展.
- iAMP-bert为抗微生物 (AMP) 预测提供了一个公开可访问和高度有效的工具.
