pACPs-DNN:使用新型变化预测抗癌,将其转化为基于进化和结构矩阵的图像,并采用自我注意深度学习模型
Shahid1, Maqsood Hayat1, Ali Raza2
1Department of Computer Science, Abdul Wali Khan University Mardan, Mardan, KP 23200, Pakistan.
Computational biology and chemistry
|April 1, 2025
概括
一个新的深度学习模型,pACPs-DNN,准确地预测抗癌 (ACP) 和非ACP. 这种计算工具通过高精度识别有前途的疗法来增强癌症药物发现.
科学领域:
- 计算生物学是一种计算生物学.
- 生物信息学是一种生物信息学.
- 药物发现 药物发现
背景情况:
- 癌症对全球健康造成重大负担,死亡率高.
- 传统的癌症疗法往往耗费大量资源,并伴有严重的副作用.
- 抗癌 (ACP) 由于其选择性,安全性和克服药物耐药性的能力,提供了一个有希望的替代品.
研究的目的:
- 开发一种新的深度学习模型,pACPs-DNN,用于准确预测抗癌 (ACP) 和非ACP.
- 为了利用先进的特征提取和选择技术来改善类分类.
- 提供一个强大的计算工具,以加速发现新的基于的癌症治疗方法.
主要方法:
- 输入被转化为图像表示,使用残留智能接触矩阵 (RECM),替代矩阵表示 (SMR) 和位置特定评分矩阵 (PSSM) 嵌入.
- 应用了基于局部二进制模式 (LBP) 的分解来捕捉增强的结构和局部语义特征,生成新的特征集 (RECM_LBP,LBP_SMR,LBP_PSSM).
- 一种双层特征选择方法确定了训练基于注意力的深度神经网络的最佳特征集.
主要成果:
- 该pACPs-DNN模型实现了96.91%的高训练精度和0.98.98%的曲线下的面积 (AUC).
- 对独立数据集的验证显示,与印度-I和印度-II数据集的现有模型相比,准确性有显著改善,分别为5%和3.5%.
- 该模型表现出强大的概括能力和在预测非洲和非洲国家/地区的稳定性.
结论:
- pACPs-DNN模型代表了抗癌的计算预测的重大进步.
- 它的高精度和概括性能突显了其作为药物发现和癌症治疗开发的宝贵工具的潜力.
- 这种方法有助于有效识别潜在的候选物,有助于学术研究和制药开发.
