VAE-GANMDA:一种微生物药物协会预测模型,集成了变异自编码器和生成对抗网络
Bo Wang1, Yang He2, Xiaoxin Du1
1School of Computer and Control Engineering, Qiqihar University, Qiqihar 161006, China; Qiqihar University Heilongjiang Key Laboratory of Big Data Network Security Detection and Analysis, Qiqihar 161006, China.
一个新的VAE-GANMDA模型比传统方法更快,更便宜地预测微生物与药物之间的关联. 它使用先进的深度学习以高精度识别潜在的候选药物和微生物目标.
科学领域:
- 生物信息学是一种生物信息学.
- 计算生物学 计算生物学
- 机器学习 机器学习
背景情况:
- 传统的生物实验是昂贵和耗时的.
- 预测微生物与药物之间的关联对于药物发现和开发至关重要.
- 现有的计算方法可能缺乏准确性和效率.
研究的目的:
- 开发一种高效,准确的计算模型,用于预测微生物与药物之间的关联.
- 克服传统实验方法的局限性.
- 为了提高对微生物与药物相互作用的理解.
主要方法:
- 构建了微生物和药物的异质网络.
- 融合变量自编码器 (VAE) 和生成对抗网络 (GAN) 用于非线性特征提取.
- 集成卷积块注意模块 (CBAM) 和高斯核进入VAE.
- 用于线性特征提取的使用的奇点值分解 (SVD).
- 用于负样本选择和MLP分类器培训的k-means++使用.
主要成果:
- VAE-GANMDA实现了0.9724的接收器操作特征曲线 (AUROC) 下面的面积和0.9635.5的精度召回曲线 (AUPRC) 下面的面积.
- 性能优于经典机器学习和大多数深度学习方法.
- 在案例研究中准确预测了与SARS-CoV-2相关的药物和西普罗夫洛克萨相关的微生物.
结论:
- VAE-GANMDA在预测微生物与药物相关性方面取得了重大进展.
- 与现有方法相比,该模型显示出高精度和高效率.
- 它在识别潜在的候选药物和微生物点方面具有实际应用.
更多相关视频
03:14Augmenting Large Language Models via Vector Embeddings to Improve Domain-Specific Responsiveness
Published on: December 6, 2024
08:04Identification and Classification of Position-specific GABAA Receptor Subunit Missense Variants for Their Role In Hippocampal Pyramidal Neurons
Published on: June 6, 2025
相关概念视频
Model Approaches for Pharmacokinetic Data: Distributed Parameter Models
The distributed parameter models are specifically designed to account for variations and differences in some drug classes. This model is particularly useful for assessing regional concentrations of anticancer or...
Microorganisms in Medicine and Therapeutics
