NABP-LSTM-Att:使用双向LSTM和软注意力机制进行纳米体-抗原结合预测
Fatma S Ahmed1, Saleh Aly2, Mohamed A M El-Tabakh3
1Department of Computer Science and Technology, Xiamen University, Xiamen, 361005, China; Department of Electrical Engineering, Aswan University, Aswan, 81542, Egypt.
Computational biology and chemistry
|May 10, 2025
概括
这项研究介绍了NABP-LSTM-Att,这是一种深度学习模型,仅使用序列数据来预测纳米体-抗原结合. 这种方法通过克服实验和结构依赖方法的局限性来加速纳米体疗法的发展.
科学领域:
- 免疫学 免疫学 免疫学
- 计算生物学 计算生物学
- 药物发现 药物发现 药物发现
背景情况:
- 抗体介导免疫在脊椎动物中至关重要,抗体作为扩展治疗剂.
- 纳米体为传统抗体提供了稳定,具有成本效益的替代品,对药物开发有希望.
- 纳米体开发的一个关键挑战是大多数抗原的可用性有限,以及难以预测结合相互作用.
研究的目的:
- 开发一个计算模型,仅使用序列信息来预测纳米体-抗原结合.
- 克服实验方法和结构依赖的计算方法的局限性.
- 促进基于纳米体的疗法和诊断的进步.
主要方法:
- 介绍NABP-LSTM-Att,一个深度学习模型.
- 使用双向长短期记忆 (biLSTM) 来分析序列依赖性.
- 结合软注意力机制来识别关键序列特征.
主要成果:
- 在SAbDab-nano数据库上,NABP-LSTM-Att实现了高预测性能.
- 该模型显示,接收器运行特征曲线 (AUROC) 下的面积为0.926.
- 该模型实现了0.952.95的精度召回曲线下的面积 (AUPR).
结论:
- NABP-LSTM-Att仅仅从序列数据上有效预测纳米体-抗原结合.
- 该模型为加速纳米体发现和开发提供了一个有价值的工具.
- 这种基于序列的方法对免疫疗法和诊断应用有重大影响.
更多相关视频
06:50Author Spotlight: A Computational Approach to Decipher Amino Acid Preferences in Multispecific Protein-Protein Interactions
Published on: January 26, 2024
910
08:09Validation of Nanobody and Antibody Based In Vivo Tumor Xenograft NIRF-imaging Experiments in Mice Using Ex Vivo Flow Cytometry and Microscopy
Published on: April 6, 2015
11.6K