集体学习基于双向封闭的反复单元和卷积神经网络,并具有用于生物活性预测的文字嵌入模块

科学领域:

• 生物化学 生物化学
• 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:

• 生物活性对于各种生理功能至关重要,包括抗微生物和抗癌活动.
• 目前用于类别和活性预测的方法昂贵且耗时.
• 需要有效的计算工具来加快生物活性的识别和开发.

研究的目的:

• 开发和验证一个新的计算模型,BioPepPred-DLEmb,用于预测生物活性活动.
• 提高类分类和功能预测的准确性和效率.
• 为了确定区分活性状态的关键生物标志物.

主要方法:

• 卷积神经网络 (CNN) 和双向门式循环单元 (BiGRU) 的集成.
• 应用自然语言处理来将氨基酸编码为密集向量.
• 在九个不同的生物活性数据集中进行评估.
• 使用UMAP可视化和Kplogo分析进行生物标记物识别.

主要成果:

• 与传统方法相比,BioPepPred-DLEmb获得了更高的预测准确度 (0.909) 和灵敏度 (0.911).
• 该模型有效地区分了活性状态,并确定了关键生物标志物.
• 预测的抗微生物 (Pred-AMPs) 在低微分子度 (2-16μmol/L) 的情况下,在体外显示出对大肠杆菌和Acinetobacter baumannii的强大疗效.

结论:

• 生物PepPred-DLEmb为生物活性的开发提供了一个强大的,准确的计算方法.
• 该模型促进了精准医学,个性化疗法和功能性食品创新的进步.
• 这种工具加速了具有显著治疗潜力的新型抗微生物的发现管道.