iACP-DPNet:一个双聚合的因果扩展卷积网络,用于可解释的抗癌识别

科学领域:

• 计算生物学是一种计算生物学.
• 生物信息学是一种生物信息学.
• 药物发现 药物发现

背景情况:

• 抗癌 (ACP) 由于其特异性和安全性,对癌症治疗具有前景.
• 目前的ACP发现受到昂贵的实验验证和有限的计算模型的阻碍.
• 现有的模型面临着小型数据集,可解释性差,概括性弱的挑战.

研究的目的:

• 开发一个强大的,可解释的深度学习模型来预测抗癌 (ACP).
• 解决现有非洲和非洲国家预测模型的局限性,包括数据集大小和特征学习.
• 提高识别潜在的癌症治疗的ACP国家的效率和准确性.

主要方法:

• 通过整合现有的非洲和非洲国家和地区文献和数据库,构建了一个更大,更多样化的数据集.
• 开发了使用ProtBert进行特征提取和使用LightGBM/MIC进行特征选择的iACP-DPNet模型.
• 实施了双重聚合机制 (全球平均聚合和注意力聚合) 带有因果扩展卷曲.
• 使用t-SNE,ISM和SHAP进行模型解释性分析.

主要成果:

• 在一个新的数据集上,iACP-DPNet模型实现了高性能指标:Sp 96.1%,Sn 92.91%,Acc 94.5%,MCC 89.05%.
• 与现有的最先进的方法相比,在比较分析中表现出优越的性能.
• 通过在额外的独立数据集上表现优于其他模型,显示出强大的可通用性.

结论:

• iACP-DPNet为抗癌 (ACP) 预测提供了一个有效和可解释的框架.
• 该模型的先进架构和功能学习提高了预测准确性和效率.
• 这项研究为加速发现用于癌症治疗的新型ACP提供了有价值的工具.