mCNN-葡萄糖:使用基于多个扫描窗口的深度卷积神经网络识别葡萄糖载体家族
Syed Muazzam Ali Shah1, Muhammad Rafi2, Muhammad Shahid Malik3
1Department of Software Engineering, National University of Computer and Emerging Sciences, Shah Latif Town, 75030 Karachi, Pakistan.
International journal of biological macromolecules
|January 6, 2025
概括
这项研究引入了一种使用卷积神经网络的新人工智能方法,以准确地分类参与细胞运输和疾病的必需蛋白质葡萄糖载体. 这种先进的技术在识别不同类型的输送器方面表现出很高的表现,有助于未来的研究和治疗开发.
科学领域:
- 生物化学和分子生物学
- 生物信息学和计算生物学
- 细胞生物学 细胞生物学
背景情况:
- 葡萄糖运输体是促进葡萄糖运输的重要膜蛋白,对细胞能量和生理过程至关重要.
- 这些载体与各种疾病有关,包括胃肠道疾病和癌症,突出显示它们作为治疗点的作用.
- 精确的葡萄糖载体分类对于理解它们的功能和开发向疗法至关重要.
研究的目的:
- 开发和验证一种用于分类葡萄糖运输蛋白的新计算方法.
- 评估不同葡萄糖输送体家族的功能意义和治疗潜力.
- 改进现有的识别和分类新型葡萄糖输送物的方法.
主要方法:
- 利用特定位置的评分矩阵 (PSSM) 来表示蛋白质进化概况.
- 采用具有多个扫描窗口的卷积神经网络,从PSSM数据中提取生物相关特征.
- 将三种主要类型的葡萄糖输送器分类为:促进葡萄糖输送器 (GLUT),联葡萄糖输送器 (SGLT) 和糖最终将成为出口输送器 (SWEET).
主要成果:
- 实现了高分类性能:马修斯相关系数 (MCC) 为0.99,GLUT的精度 (AC) 为99.46%.
- 对于SGLT,MCC为0.99和AC为99.46%的SGLT表现出了出色的结果.
- 在SWEET运输机中获得了强的性能,MCC为0.92,AC为97.3%.
结论:
- 拟议的方法准确地分类葡萄糖运输体,优于之前的研究.
- 这种人工智能驱动的方法为识别和表征新型葡萄糖输送器提供了强大的工具.
- 这些发现支持这些载体作为各种疾病的诊断标记物和治疗点的潜力.
