循环-ESM:使用ESM蛋白语言模型对抗真菌的生成辅助分类
1Beijing Institute of Petrochemical Technology, Beijing, 102617, China.
Computational biology and chemistry
|October 22, 2024
概括
一种新的循环ESM方法通过用蛋白质语言模型增加有限的数据来增强抗真菌的发现. 这种方法可以提高新型抗真菌药物开发的预测准确度.
科学领域:
- 生物化学 生物化学
- 计算生物学 计算生物学
- 药物发现 药物发现 药物发现
背景情况:
- 抗真菌耐药性的增加需要新的治疗策略.
- 抗真菌具有前景,但由于样本有限和序列多样性有限,在发现方面面临挑战.
- 对抗真菌的高通量查受到数据稀缺的阻碍.
研究的目的:
- 引入循环ESM方法,用于识别具有有限样本可用性的抗真菌.
- 通过数据增强,提高抗真菌预测模型的有效性.
- 通过探索特征来提高抗真菌类别的准确性.
主要方法:
- 使用ESM蛋白语言模型对抗真菌序列的数据增强.
- 通过将ESM模型与textCNN架构结合起来,开发一个类分类器.
- 进行特征的全面分析,以完善预测准确性.
主要成果:
- 循环ESM方法在三个抗真菌数据集上表现出比现有方法更好的性能.
- 使用ESM蛋白语言模型增强数据显著改善了分类器培训.
- 综合方法有效地解决了在有限的可用数据下分类抗真菌的挑战.
结论:
- 循环ESM方法为抗真菌预测提供了一种新且有效的方法.
- 这项研究提供了有价值的见解,用于解决药物发现中稀缺数据的分类问题.
- 这些发现支持通过改进的鉴定技术来推进抗真菌药物开发.


