相关实验视频
Updated: Jun 19, 2026

21:08
Engineering Cell-permeable Protein
Published on: December 28, 2009
CPPCGM:一种高效的基于序列的工具,用于同时识别和生成细胞透.
Qiufen Chen1, Yuewei Zhang1, Jiali Gao1,2,3
1Institute of Systems and Physical Biology, Shenzhen Bay Laboratory, Shenzhen 518055, China.
Journal of chemical information and modeling
|March 19, 2025
概括
本研究介绍了CPPCGM,这是一个使用蛋白质语言模型的深度学习框架,用于识别和生成新的细胞透 (CPP). 通过有效选和创造潜在的CPP候选人,CPPCGM提高了药物输送.
科学领域:
- 生物化学 生化学
- 计算生物学 计算生物学
- 药物输送系统 药物输送系统
背景情况:
- 细胞透 (CPPs) 对于细胞内药物输送至关重要,但实验性鉴定是昂贵和耗时的.
- 现有的CPP选计算方法在特征表示上有局限性,阻碍了性能.
- 蛋白质语言模型 (PLM) 为分析和设计提供了先进的功能.
研究的目的:
- 开发一种新的深度学习框架,CPPCGM,用于识别和生成细胞透 (CPP).
- 克服当前计算方法在CPP发现的特征表示方面的局限性.
- 利用PLM进行高效准确的CPP候选查和新生成.
主要方法:
- 开发了CPPCGM,这是一个深度学习框架,包括CPPC分类器和CPPCGenerator.
- CPPC分类器使用了三种预训练的蛋白质语言模型来进行可靠的CPP/非CPP分类.
- 受到生成对抗网络的启发,CPPGenerator创建了培训数据中不存在的新序列.
主要成果:
- 在三个独立的数据集上,CPPCGM实现了高分类性能,马修斯相关系数得分为0.876,0.923和0.664.
- 该框架在CPP识别方面显著优于现有的最先进的方法.
- 定性和定量评估证实了CPPGenerator成功生成了新的,潜在的功能性CPP.
结论:
- 该CPPCGM框架在分类和生成细胞透方面都表现出卓越的性能.
- 在CPPCGM中使用蛋白质语言模型显著提高了CPP发现的效率和准确性.
- 这种方法有望优化的生化功能,促进药物输送和生物医学应用.

