ACP-CLB:一种基于多道歧视性处理和大型预训练蛋白语言模型的集成的抗癌预测模型
Aoyun Geng1, Zhenjie Luo1, Aohan Li2
1School of Computer Science and Technology, Hainan University, Haikou 570228, China.
Journal of chemical information and modeling
|February 19, 2025
概括
这项研究引入了一种新的AI框架,通过独特处理不同特征类型来识别抗癌 (ACP). 这种方法显著提高了非洲和非洲的识别准确性,有助于癌症研究.
科学领域:
- 生物信息学是一种生物信息学.
- 计算生物学 计算生物学
- 药物发现 药物发现 药物发现
背景情况:
- 抗癌 (ACP) 显示出作为传统癌症治疗的替代方案的希望.
- 对非洲和非洲国家/地区的湿实验室验证是资源密集的.
- 目前用于ACP识别的AI方法通常使用一种适合所有特征处理的"一刀切"方法.
研究的目的:
- 开发一个先进的AI框架,以便更准确,更有效地识别和分类抗癌.
- 解决现有非洲和非洲国家识别模型中统一特征处理的局限性.
主要方法:
- 为各种特征类型提出了使用不同神经网络的多道歧视性处理框架.
- 集成大型预训练的蛋白质语言模型来提取深层次特征.
- 在四个不同的数据集上对最先进的模型进行了评估.
主要成果:
- 与现有方法相比,在大多数评估指标上实现了显著的性能改进.
- 在区分和识别抗癌中表现出卓越的准确性.
- 验证了不同特征类型的专业处理的有效性.
结论:
- 拟议的框架为抗癌的识别提供了更有效的方法.
- 强调定制特征处理对于提高生物信息学AI模型性能的重要性.
- 为研究人员在抗癌发现领域提供了宝贵的工具.
