TNFR-LSTM:用于识别瘤死因受体 (TNFR) 活动的深度智能模型
Faisal Binzagr1, Ansar Naseem2, Muhammad Umer Farooq3
1Department of Computer Science, Faculty of Computing and Information Technology-Rabigh, King Abdulaziz University, Rabigh, Saudi Arabia.
IET systems biology
|March 29, 2025
概括
一个新的深度学习模型,DEEP-TNFR,通过分析复杂的细胞因子相互作用,准确地识别瘤亡因子受体 (TNFR). 这一进步改善了研究中TNFR识别的现有方法.
科学领域:
- 生物化学 生物化学
- 计算生物学 计算生物学
- 免疫学 免疫学 免疫学
背景情况:
- 瘤亡因子 (TNFs) 在炎症,癌症和自身免疫性疾病中至关重要.
- 由于复杂的细胞因子相互作用,对TNFs的准确鉴定具有挑战性.
- 现有的机器学习模型在可靠区分TNF方面存在局限性.
研究的目的:
- 开发一种先进的模型,DEEP-TNFR,用于预测瘤亡因子受体 (TNFR) 活性.
- 通过深度学习提高TNFR识别的准确性.
主要方法:
- 开发了DEEP-TNFR模型,包括相对/反向位置和统计时刻.
- 探索了六个深度学习分类器:FCN,CNN,RNN,LSTM,Bi-LSTM,GRU.
- 使用自我一致性,独立集合测试和交叉验证 (5倍和10倍) 评估模型性能.
主要成果:
- 在经过测试的深度学习模型中,LSTM 分类器表现出卓越的性能.
- DEEP-TNFR实现了高精度,特异性,灵敏性和马修斯相关系数.
- 该模型与以前的研究相比,为TNFR识别设定了一个新的基准.
结论:
- DEEP-TNFR显著提高了TNFR识别的准确性.
- 预计该模型将极大地帮助正在进行的炎症,癌症和自身免疫性疾病研究.
- 这项工作为研究TNFRs提供了一个强大的计算工具.
