图形CPP:通过图形神经网络进行细胞透预测的新先进方法
Attila Imre1,2,3, Balázs Balogh1,3, István Mándity1,3,4
1Department of Organic Chemistry, Faculty of Pharmacy, Semmelweis University, Budapest, Hungary.
British journal of pharmacology
|November 21, 2024
概括
一个新的图形神经网络GraphCPP显著改善了细胞透 (CPP) 预测. 这种先进的模型通过准确识别穿透细胞膜的,提高药物输送系统的发展.
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.
- 药物输送系统是药物输送系统.
背景情况:
- 细胞透 (CPPs) 促进分子的细胞内传递.
- 现有的CPP预测模型由于复杂的细胞相互作用而难以准确.
- 需要先进的计算方法来改善CPP预测.
研究的目的:
- 介绍GraphCPP,一个新的图形神经网络 (GNN) 模型.
- 为了提高对的膜透能力的预测.
- 开发一个更准确的工具用于CPP识别.
主要方法:
- 开发GraphCPP,一个基于GNN的预测模型.
- 创建CPP1708,一个全面和大规模的CPP数据集.
- 对现有的CPP预测工具进行比较性绩效分析.
主要成果:
- GraphCPP 显示出优越的预测性能,高于既有方法.
- 取得了0.5787的马修斯相关系数和0.8459.9的AUC.
- 与下一个最佳模型相比,显示了显著的改进 (92.8%MCC,23.3%AUC).
结论:
- 基于GNN的模型显示了改善CPP透预测的巨大潜力.
- GraphCPP的进步可以有助于开发更有效的药物输送系统.
- 该模型提供可靠的预测,特别是对于较短的.


