AVP-HNCL:创新的对比学习与基于队列的负采样策略,用于双相抗病毒预测

科学领域:

• 生物化学和分子生物学
• 计算生物学和生物信息学
• 公共卫生和流行病学

背景情况:

• 抗病毒 (AVP) 显示出对抗病毒性疾病的希望,但传统的识别方法面临的局限性与日益增长的数据复杂性.
• 由于不断增长的数据量和复杂的任务,现有的特征选择方法难以准确地识别和概括AVP.

研究的目的:

• 开发一种先进的预测框架,用于准确识别和预测抗病毒的子类.
• 克服传统方法在特征提取和AVP识别模型概括方面的局限性.

主要方法:

• 提出了一个两阶段的预测框架,集成ESM2模型,数据增强,特征融合和对比学习.
• 实施了一种新的基于top-k队列的对比学习策略,以加强对正负样本的歧视.
• 开发了一个用户友好的网络界面,以提高可访问性.

主要成果:

• 在Set 1-nonAVP.上实现了高精度 (0.9362) 和MCC (0.8730).
• 在Set 2-nonAMP.上证明了完美的精度 (1.0000) 和MCC (1.0000).
• 在第二阶段成功预测了针对六大病毒家族和八种特定病毒的抗病毒活性.

结论:

• 拟议的框架为推进抗病毒研究提供了强大的理论支持和技术工具.
• 集成先进的机器学习技术显著提高AVP预测准确性和概括性.
• 可访问的Web界面促进了在抗病毒发现中的更广泛的应用和研究.