GRU4ACE:通过整合具有多源特征嵌入的封闭循环单元来提高ACE抑制性的预测
Saeed Ahmed1,2, Nalini Schaduangrat1, Pramote Chumnanpuen3,4
1Center for Research Innovation and Biomedical Informatics, Faculty of Medical Technology, Mahidol University, Bangkok, Thailand.
概括
一种深度学习模型GRU4ACE使用多视图信息准确识别血管酶-1转化酶 (ACE) 抑制. 这种计算方法加速了新的抗高血压药物的发现.
科学领域:
- 生物化学和生物信息学
- 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:
- 准确地识别抗胰岛素-I转化酶 (ACE) 抑制性对于理解氨酸-抗胰岛素系统至关重要.
- 测试识别的实验方法具有挑战性和耗时.
- 计算方法提供高通量表征的 ACE 抑制.
研究的目的:
- 介绍GRU4ACE,这是一种用于识别抑制ACE的新型深度学习框架.
- 为了利用多视图信息来增强特征表示.
- 为了提高ACE抑制性预测的准确性和效率.
主要方法:
- GRU4ACE使用多源特征编码,包括顺序,图形,语义和上下文信息.
- 特性表示是从常规描述符,NLP嵌入和预训练蛋白语言模型 (PLM) 嵌入中衍生出来的.
- 功能被合并,使用弹性网进行优化,并输入到一个封闭的循环单元 (GRU).
主要成果:
- 在独立测试中,GRU4ACE比现有方法取得了更高的性能.
- 均衡的准确性,灵敏性和MCC分数分别达到0.948,0.934和0.895.
- 与传统描述器相比,建议的多视图功能显著提高了预测准确性.
结论:
- GRU4ACE 增强了 ACE 抑制的预测准确性.
- 该框架有效地缩小了对潜在抗高血压药物的搜索范围.
- 使用多视图信息的深度学习是基于的药物发现的强大方法.
更多相关视频
07:52Simultaneous Electrophysiological Recording and Micro-injections of Inhibitory Agents in the Rodent Brain
Published on: July 7, 2015
8.0K
09:49Combined Optogenetic and Freeze-fracture Replica Immunolabeling to Examine Input-specific Arrangement of Glutamate Receptors in the Mouse Amygdala
Published on: April 15, 2016
11.0K
