分析和探索图表注意力网络和基于蛋白质的语言模型,用于预测 Porhyromonas gingivalis 耐药排泄蛋白序列

科学领域:

• 计算生物学是一种计算生物学.
• 基因组学就是基因组学.
• 生物信息学是一种生物信息学.

背景情况:

• 抗菌素耐药性 (AMR) 构成全球健康威胁,需要有效治疗的预测方法.
• 研究高优先级的细菌基因组,如 Porphyromonas gingivalis,有助于追踪耐药性和预防疫情.
• 大型语言模型 (LLM) 对于识别特定基因至关重要,比如P. gingivalis中的多抗性排泄基因,以对抗AMR.

研究的目的:

• 探索先进计算模型的预测能力,以识别与P. gingivalis治疗耐药性相关的蛋白质序列.
• 通过对抗药性机制的更深入理解,加强预防抗菌素耐药性的策略.

主要方法:

• 使用了来自P. gingivalis (UniProt ID:A0A0K2J2N6_PORGN) 的多药耐药排泄蛋白序列.
• 使用DeepBIO框架处理FASTA格式的序列,将LLMs与深度注意力网络集成在一起.
• 通过严格的检测和保证过程,确保序列质量和适合计算分析.

主要成果:

• 在识别耐药P. gingivalis菌株时,LSTM-attention,ProtBERT和BERTGAT模型表现出高灵敏度 (0.9) 和准确度 (分别为89.5%,88.5%,90.5%).
• 模型特异性得分也很高 (0.89,0.87,0.90),表明有效识别非耐药病例,并最大限度地减少假阳性.
• 这些发现强调了模型在检测P. gingivalis.多药耐药性的有效性.

结论:

• 该LLM方法显示了临床应用在预防全球抗菌素耐药性的重大潜力.
• 这种预测能力可以引导开发更有效,针对抗药性基因的向治疗.
• 实施这一战略可以对全球打击抗药性耐药性和减少耐药性发展的努力做出重大贡献.