WGAN-GP_Glu:一个基于双生成器-瓦瑟斯坦GAN的半监督模型,具有渐变处罚算法,用于识别状结核位点
1Information Science and Technology, Dalian Maritime University, Dalian, Liaoning, China; The School of Artificial Intelligence and Computer Science, Jiangnan University, Wuxi, China; Neusoft Education Technology Group, Dalian, China; Key Laboratory of Symbolic Computation and Knowledge Engineering of Ministry of Education, Jilin University, Changchun, 130012, China.
Computers in biology and medicine
|November 14, 2024
概括
这项研究介绍了WGAN-GP_Glu,这是一种用于识别谷结节位的新型半监督学习算法. 它有效地解决了阶级不平衡,提高了预测这些关键的翻译后修改的准确性.
科学领域:
- 生物化学和分子生物学
- 计算生物学 计算生物学
- 生物信息学是一种生物信息学.
背景情况:
- 糖化是一种重要的翻译后修饰,影响细胞功能.
- 现有用于关节位点识别的计算方法面临数据噪声和类不平衡的挑战.
- 准确识别非质化部位对于强大的计算模型至关重要.
研究的目的:
- 开发一种新型的半监督学习算法,WGAN-GP_Glu,用于准确识别质结合位点.
- 为了应对阶级失衡的挑战,在识别非糖化氨酸位点方面.
- 提高用于预测关节的计算工具的可靠性和性能.
主要方法:
- 提出WGAN-GP_Glu,一个多模块框架,包括可靠的负样本选择,深度特征提取和预测.
- 开发了可靠的WGAN-GP,这是一个改进的Wasserstein GAN,具有梯度惩罚,用于选择可靠的非糖化样本.
- 采用卷积神经网络 (CNN) 和双向长期短期记忆 (BiLSTM),注意深度特征提取.
主要成果:
- 在一个独立的测试组中,WGAN-GP_Glu实现了高性能:灵敏度为90.58%,特异性为95.82%,精度为94.44%,马修相关系数为0.8645.
- 可靠WGAN-GP算法有效地选择了可靠的负样本,减轻了数据噪声.
- 拟议的方法优于现有用于预测关节位点的方法.
结论:
- WGAN-GP_Glu 是一种强大而有效的工具,用于识别结位.
- 可靠WGAN-GP算法在选择可靠的负样本方面表现出有效性,这对于解决类失衡至关重要.
- 这些发现有助于在翻译后修改分析中推进计算方法.
