EnDM-CPP:基于深度学习和机器学习的多视图可解释框架,用于识别细胞透的转换器和分析序列信息
Lun Zhu1, Zehua Chen1, Sen Yang2,3
1School of Computer Science and Artificial Intelligence, Aliyun School of Big Data, School of Software, Changzhou University, Changzhou, 213164, China.
Interdisciplinary sciences, computational life sciences
|December 23, 2024
概括
计算方法可以预测细胞透 (CPPs) 用于药物输送,减少合成时间. EnDM-CPP模型有效地识别了潜在的CPP,使用融合功能和先进的机器学习,改善治疗开发.
科学领域:
- 生物技术和制药科学 生物技术和制药科学
- 计算生物学和化学信息学
背景情况:
- 细胞透 (CPP) 对于药物输送至关重要.
- 实验室合成CPP需要大量的时间和资源.
- 对CPP的计算预测可以加速治疗的发展.
研究的目的:
- 开发一种准确的计算方法来预测细胞透 (CPPs).
- 为了提高治疗应用中CPP发现的效率.
主要方法:
- 开发了一个混合模型,EnDM-CPP,集成支持矢量机器 (SVM),CatBoost,卷积神经网络 (CNN) 和TextCNN.
- 来自CPPsite 2.0,MLCPP 2.0和CPP924的数据集被合并,以改善多样性和减少同质性.
- 使用了基于变压器的特征 (ProtT5,ESM-2) 和序列特征 (CPRS,混合PseAAC,KSC).
- 后勤回归 (LR) 用于基于单个模型输出的最终决策预测.
主要成果:
- 来自ProtT5和ESM-2的融合特性显著提高了CPP预测的准确性.
- 与单个模型相比,组合模型表现出优越的性能.
- 在一个独立的测试组中,EnDM-CPP实现了0.9495准确度和0.9008马修斯相关系数.
- 性能改进在准确度上为2.23% - 9.48%,在MCC中比最先进的方法提高4.32% - 19.02%.
结论:
- EnDM-CPP提供了一个高度准确和高效的计算方法来识别细胞透.
- 该研究强调了将多种功能和机器学习模型用于CPP预测的有效性.
- 开发的方法可以加速用于药物输送应用的CPP的发现和开发.
