深度循环神经网络与分数阿达克斯优化算法用于流感病毒宿主预测
Shweta Ashish Koparde1, Sonali Kothari2, Sharad Adsure1
1Department of Computer Engineering, Dr. D. Y. Patil Institute of Technology, Pimpri, Pune, India.
MethodsX
|April 28, 2025
概括
这项研究介绍了一种新型的深度循环神经网络 (DRNN),该神经网络由 Fractional Addax Optimization Algorithm (FAOA) 优化,用于使用蛋白质序列准确预测流感病毒宿主. 根据DRNN_FAOA模型,它在现有方法中表现出更高的性能.
科学领域:
- 生物信息学是一种生物信息学.
- 病毒学 病毒学
- 计算生物学 计算生物学
背景情况:
- 预测流感病毒宿主对于理解病毒传播和宿主病毒相互作用至关重要.
- 准确的宿主预测仍然是生物信息学的一个重大挑战.
研究的目的:
- 通过使用蛋白质序列数据,引入一种用于预测流感病毒宿主的新方法.
- 开发和评估一个深度循环神经网络 (DRNN) 模型,该模型是通过 Fractional Addax Optimization Algorithm (FAOA) 进行优化.
主要方法:
- 从蛋白质序列中提取特征,包括序列长度,氨基酸组成 (AAC),二组合 (DPC),三组合 (TPC),芳香度,二次结构分数和.
- 应用超采样技术用于数据增强,以解决数据不平衡并改善模型概括.
- 开发一个深度循环神经网络 (DRNN) 模型,该模型通过 Fractional Addax Optimization Algorithm (FAOA) 优化,用于流感病毒宿主预测.
主要成果:
- 根据DRNN_FAOA模型,马修斯相关系数 (MCC) 为0.937,F1得分为0.917,平均平方误差 (MSE) 为0.038.
- 实验结果显示,DRNN_FAOA模型在流感病毒宿主预测方面明显优于现有方法.
- 该模型在预测流感病毒宿主方面表现出高准确性和稳定性.
结论:
- 拟议的DRNN_FAOA模型提供了一种强大而准确的方法来预测流感病毒宿主.
- 这种方法有可能成为病毒宿主预测研究中的强大工具.
- 该研究强调了利用蛋白质序列特征和高级优化算法的有效性,用于病毒宿主预测.
