在牙周炎症中使用变压器和图形注意力网络对AIM-2炎症酶序列进行人工智能驱动的预测
Pradeep Kumar Yadalam1, Deepavalli Arumuganainar1, Prabhu Manickam Natarajan2
1Department of Periodontics, Saveetha Institute of Medical and Technical Sciences, Saveetha Dental College and Hospital, Saveetha University, Chennai, Tamil Nadu, 600077, India.
Scientific reports
|March 14, 2025
概括
这项研究表明,人工智能 (AI) 模型,特别是变压器和图形注意力网络 (GAT),可以准确预测AIM-2炎症性序列. 这些先进的AI方法为开发治疗牙周炎症的新方法提供了有希望的方法.
科学领域:
- 生物化学 生物化学
- 免疫学 免疫学 免疫学
- 计算生物学 计算生物学
背景情况:
- 牙周炎症是一种由牙斑和免疫反应驱动的慢性疾病.
- AIM-2炎症体在调节这种免疫反应中发挥着关键作用.
- 了解AIM-2炎症酶序列对于开发向牙周病治疗方法至关重要.
研究的目的:
- 评估人工智能 (AI) 模型在预测AIM-2炎性序列方面的有效性.
- 为了比较变压器,循环神经网络-卷积神经网络 (RNN-CNN) 和图表注意力网络 (GAT) 模型的性能,用于此预测任务.
主要方法:
- 从UniProt下载了AIM-2炎症酶蛋白和FASTA序列,相似度不同 (100%,90%,50%).
- 利用DeepBio,这是一个用于深度学习架构开发的Web服务,用于序列分析.
- 训练并评估了用于序列预测的变压器,RNN-CNN和GAT模型.
主要成果:
- 与RNN-CNN模型相比,变压器和GAT模型表现出更高的性能.
- GAT模型的准确率达到了86%,而变压器模型的准确率达到了84%.
- 变压器模型显示了最高等级准确度的85%,其次是GAT的80%,表明强大的预测能力.
结论:
- 使用变压器和GAT的基于AI的序列预测显示了对准确识别AIM-2序列的重大前景.
- 这些模型的性能优于传统的RNN-CNN方法,为牙周炎症的治疗开发提供了更有效的计算工具.
- 这项研究强调了先进的人工智能在促进慢性炎症疾病的理解和治疗方面的潜力.
