深层堆-ACE:基于深层堆的集体学习框架,用于加速发现抑制ACE的.
Phasit Charoenkwan1, Pramote Chumnanpuen2, Nalini Schaduangrat3
1Modern Management and Information Technology, College of Arts, Media and Technology, Chiang Mai University, Chiang Mai 50200, Thailand.
Deepstack-ACE是一种新的深度学习框架,可以准确地识别血管酶-1转化酶 (ACE) 抑制性. 这种计算方法通过有效地表征潜在的ACE抑制剂,有助于药物开发.
科学领域:
- 生物化学和生物信息学
- 计算机化药物发现技术
- 机器学习在药理学中的应用
背景情况:
- 准确地识别抗胰岛素-I转化酶 (ACE) 抑制性对于理解氨酸-胰岛素系统和开发新药物至关重要.
- 标识的实验方法复杂且耗时,需要高效的计算方法.
- 在 silico 方法为表征 ACE 抑制性提供了高通量解决方案.
研究的目的:
- 提出和评估Deepstack-ACE,这是一种基于深度堆叠的新型集体学习框架,用于精确识别抑制ACE的.
- 利用深度学习技术,提高预测-ACE抑制活性的准确性和稳定性.
- 为药物发现研究人员提供一个用户友好的计算工具.
主要方法:
- 使用word2vec嵌入生成从序列的序列表示.
- 训练了五个深度学习模型 (LSTM,CNN,MLP,GRU,RNN) 作为基础分类器.
- 通过结合最好的基础分类器,构建了一个优化的堆叠合奏模型.
- 与基准分类器和传统机器学习方法对比的Deepstack-ACE.
主要成果:
- 与单个基质分类器和传统方法相比,Deepstack-ACE在识别抑制ACE的准确性和稳定性更高.
- 在独立测试中实现了高性能,平衡精度为0.916,灵敏度为0.911,MCC为0.826.
- 在预测 ACE 抑制性酸中超越了当前最先进的方法.
结论:
- Deepstack-ACE提供了一种更快,更准确的计算方法来识别抑制ACE的.
- 开发的Web服务器为药物发现提供了可访问和高效的in silico分析.
- 这一框架有可能显著加快新型ACE抑制剂的表征.
更多相关视频
13:49Semi-automated Biopanning of Bacterial Display Libraries for Peptide Affinity Reagent Discovery and Analysis of Resulting Isolates
Published on: December 6, 2017
08:31Biosensor-based High Throughput Biopanning and Bioinformatics Analysis Strategy for the Global Validation of Drug-protein Interactions
Published on: December 1, 2020
相关概念视频
Nondepolarizing (Competitive) Neuromuscular Blockers: Mechanism of Action
Competitive antagonists prevent acetylcholine from binding to its receptor, inhibiting membrane depolarization. Without conformational changes or intrinsic...
Nondepolarizing (Competitive) Neuromuscular Blockers: Pharmacological Actions
Although all competitive neuromuscular blockers are designed...
Depolarizing Blockers: Pharmocokinetics
