AMCL:监督对比学习与硬样本挖掘用于多功能治疗预测.
Jiwei Fang1, Henghui Fan2, Jintao Zhao1
1College of Mathematics and System Science, Xinjiang University, Urumqi, Xinjiang, 830046, China.
BMC biology
|July 2, 2025
概括
我们开发了AMCL,这是一个计算框架,用于预测治疗性功能,克服数据挑战. AMCL显著提高了预测准确性,为多功能分析建立了一个新的最先进的技术状态.
科学领域:
- 生物技术是生物技术.
- 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:
- 多功能治疗在药物开发和诊断方面具有优势.
- 函数的湿实验室识别是资源密集型的,需要计算方法.
- 挑战包括数据稀疏性和复杂标签在数据中的同时出现.
研究的目的:
- 开发一个高效的计算框架来预测多功能治疗.
- 为了解决数据稀疏性,长尾分布和标签同时出现的问题.
- 为了提高治疗功能预测的准确性和效率.
主要方法:
- 拟议的AMCL框架使用语义保护数据增强.
- 实施多标签监督对比学习与硬样本挖掘.
- 采用加权组合损失 (焦点子损失和分布平衡损失) 和适应类别的门.
- 使用特征空间分析和Grad-CAM可视化评估解释性.
主要成果:
- AMCL框架在多功能治疗预测方面表现出卓越的表现.
- 在关键指标方面取得了显著的改进:绝对真实,准确性,宏观F1和微型F1.
- 在治疗多功能预测领域建立了新的最先进的技术.
结论:
- AMCL有效地解决了预测多功能治疗的挑战.
- 提出的方法显著提高了预测准确性,并建立了一个新的基准.
- AMCL提供了一种强大的计算工具,可以加速药物发现和诊断.


