基于变压器的深度学习可以在寄生病原体中改善B细胞表位预测:对Fasciola hepatica的概念验证研究
Rui-Si Hu1,2, Kui Gu3, Muhammad Ehsan4
1School of Health and Wellness Industry & School of Medicine, Sichuan University of Arts and Science, Dazhou, Sichuan Province, People's Republic of China.
PLoS neglected tropical diseases
|April 29, 2025
概括
我们开发了deepBCE-Parasite,这是一种人工智能模型,可以准确地预测寄生病原体中的B细胞表位 (BCE). 这种工具有助于设计疫苗和诊断被忽视的热带疾病.
科学领域:
- 计算生物学 计算生物学
- 免疫信息学是指免疫信息学.
- 寄生虫学的寄生虫学
背景情况:
- 鉴定B细胞表位 (BCE) 对于疫苗和诊断开发至关重要,特别是对于寄生虫疾病.
- 寄生虫抗原的复杂性和高的实验成本带来了重大挑战.
- 人工智能 (AI) 和深度学习为准确和具有成本效益的 BCE 预测提供了有希望的解决方案.
研究的目的:
- 开发和验证一种深度学习模型,用于预测寄生病原体中的线性B细胞表位 (BCE).
- 为了提高疫苗和诊断应用的表位发现的效率和准确性.
主要方法:
- 开发了基于变压器的深度学习模型 deepBCE-Parasite,使用自我注意力机制.
- 通过十倍交叉验证和独立测试评估模型性能.
- 将deepBCE-Parasite与传统的机器学习算法和手工制作的功能进行了比较.
主要成果:
- 实现了高预测性能,准确度约为81%,AUC为0.90.
- 与12个手工制作的功能和四个常规算法 (GNB,SVM,RF,LGBM) 相比,证明了更高的预测能力.
- 从Fasciola hepaticaleucine aminopeptidase (LAP) 蛋白质使用点点免疫试验进行实验验证的预测BCE,证实了八种预测表位物中的七种IgG反应性.
结论:
- deepBCE-Parasite是一种高效的工具,用于预测寄生病原体中的 BCE.
- 该模型显著推进了以表位基的疫苗,治疗抗体和寄生虫学诊断的设计.
- 提供了一种有价值的,人工智能驱动的方法来克服寄生虫疾病研究中的挑战.
