BERT-AmPEP60:一种基于BERT的转移学习方法,用于预测对大肠杆菌和黄金葡萄球菌的抗菌的最小抑制度
Jianxiu Cai1,2, Jielu Yan2,3, Chonwai Un4
1Faculty of Applied Sciences, Macao Polytechnic University, Rua de Luís Gonzaga Gomes, Macau SAR 99078, China.
Journal of chemical information and modeling
|March 14, 2025
概括
我们开发了BERT-AmPEP60,一种使用变压器双向编码器表示 (BERT) 的深度学习模型,以准确预测抗微生物 (AMP) 活性. 这种方法量化了对特定细菌的有效性,有助于打击耐药性.
科学领域:
- 计算生物学是一种计算生物学.
- 药物发现 药物发现
- 生物信息学是一种生物信息学.
背景情况:
- 抗微生物 (AMP) 显示出对抗抗生素耐药细菌的承诺.
- 现有的预测模型主要侧重于分类,而不是定量活动预测.
- 准确预测AMP对特定细菌的功效对于药物开发至关重要.
研究的目的:
- 开发一种深度学习回归模型,用于预测AMP的最小抑制度 (MIC).
- 量化AMP对大肠杆菌 (EC) 和金黄色葡萄球菌 (SA) 的活性.
- 建立一种新的计算方法来识别有力的AMP.
主要方法:
- 采用了微调的双向编码器从变压器 (BERT) 进行特征提取的架构.
- 采用转移学习策略来构建MIC预测的回归模型.
- 通过5个独立实验验证实模型,使用10%的脱试验集.
主要成果:
- 与最先进的方法相比,最佳的EC和SA模型显示出更高的性能.
- 获得了EC的平均平均平方误差为0.2664 (log μM),SA的平均误差为0.3032 (log μM).
- 报告的高相关系数 (皮尔森:0.7955/0.7530,肯德尔:0.5797/0.5222) 对于两个细菌物种.
结论:
- 使用序列嵌入,BERT-AmPEP60有效地预测了定量AMP活动.
- 通过转移学习的深度学习方法超过了传统的机器学习方法.
- 这项工作突出了BERT在开发特定物种定量AMP预测模型方面的潜力.
