DeepAIPs-Pred:使用局部进化转型图像和基于结构嵌入的最佳描述器预测抗炎,并使用自规范化的BiTCN

科学领域:

• 计算生物学和生物信息学
• 药物的发现和开发.
• 免疫学和炎症研究研究.

背景情况:

• 炎症是组织修复的关键生物过程,但慢性炎症导致严重疾病,包括自身免疫性疾病.
• 抗炎性 (AIPs) 由于其特异性,功效和低毒性,显示出有前途的治疗作用.
• 传统的 in vivo 方法用于 AIP 识别是昂贵和耗时的,需要先进的计算方法.

研究的目的:

• 开发一种新的计算模型,DeepAIPs-Pred,用于准确预测抗炎性序列.
• 为传统方法提供成本效益高效的替代方案,用于识别潜在的AIP.

主要方法:

• 使用LBP-PSSM和LBP-SMR进行训练样本的进化图像转换.
• 整合了基于注意力的ProtBERT-BFD嵌入和QLC用于上下文语义和结构特征提取.
• 采用差异演化 (DE) 用于加权特征集成,SMOTE-Tomek链接用于类不平衡,以及双层特征选择技术.

主要成果:

• DeepAIPs-Pred模型实现了94.92%的预测准确率和0.97.9的AUC.
• 在两个独立的数据集上验证后,该模型表现出卓越的性能,比现有最先进的方法提高了约2%和10%的准确性.
• 自我规范化的双向时卷积网络 (SnBiTCN) 经过训练,使用最佳特征进行预测.

结论:

• DeepAIPs-Pred是一种高效可靠的计算工具,用于预测抗炎性序列.
• 该模型的表现突显了其在显著加速药物开发和支持学术界研究方面的潜力.
• 这种人工智能驱动的方法为识别炎症状况的新疗法提供了有希望的途径.