DeepTree-AAPred:基于二进制树的深度学习模型,用于对抗血管生成的预测.

科学领域:

• 生物技术是生物技术.
• 计算生物学 计算生物学
• 在瘤学瘤学.

背景情况:

• 抗血管原性 (AAP) 对于抑制瘤生长和转移至关重要.
• 准确的AAP识别显著影响癌症治疗疗效.
• 实验查的高成本和局限性需要先进的计算方法.

研究的目的:

• 开发一种高性能深度学习模型,用于预测抗血管生成 (AAPs).
• 为解决AAP预测现有计算方法的性能限制.

主要方法:

• 在DeepTree-AAPred模型中使用了二进制树结构.
• 采用蛋白质语言模型 (ProtBERT,ESM-2) 进行一般化的1D和2D特征提取.
• 集成BiLSTM和TextCNN以捕捉AAP预测的本地特征和上下文依赖.

主要成果:

• 与标准数据集上的现有计算方法相比,DeepTree-AAPred表现出卓越的性能.
• 该模型有效地融合了提取的特征,以准确预测AAP.
• 实验结果验证了模型的实际应用潜力.

结论:

• DeepTree-AAPred在抗血管原性的计算预测方面取得了重大进展.
• 该模型显示了提高瘤治疗开发效率和有效性的前景.
• 这种深度学习方法为AAPs提供了昂贵的实验选的可行替代方案.