神经网络用于预测和分类Porphyromonas gingivalis中的抗菌素耐药性序列
Pradeep Kumar Yadalam1, Raghavendra Vamsi Anegundi1, Prabhu Manickam Natarajan2
1Department of Periodontics, Saveetha Dental College, Saveetha Institute of Medical and Technology Sciences, SIMATS, Saveetha. University, Chennai, Tamil Nadu, India.
这项研究引入了一种深度学习模型,用于识别Porphyromonas gingivalis蛋白中的抗微生物耐药性 (AMR). 卷积神经网络 (CNN) 准确地分类了耐药蛋白序列,有助于早期检测耐药趋势.
科学领域:
- 微生物学和生物信息学
- 基因组学和蛋白质组学
- 计算生物学 计算生物学
背景情况:
- Porphyromonas gingivalis 是牙周病的关键病原体,对全身健康有影响.
- 准确识别P. gingivalis蛋白质对于理解病原性和开发干预措施至关重要.
- 全基因组测序方面的进展有助于检测抗菌素耐药性 (AMR) 的决定因素.
研究的目的:
- 开发一种基于氨基酸序列的深度学习方法来对P. gingivalis蛋白质进行分类.
- 准确识别P. gingivalis中的抗菌素耐药性 (AMR) 决定因素.
- 加强对AMR趋势的早期检测,以改善患者护理.
主要方法:
- 使用了685个蛋白序列 (150个P. gingivalis,535个非耐药变体) 的数据集.
- 序列被预处理 (填充到750个氨基酸) 和一次热编码.
- 一个卷积神经网络 (CNN) 模型被设计并使用PyTorch.ch进行训练.
主要成果:
- 在分类P. gingivalis耐药蛋白序列时,CNN模型获得了96.35%的准确性和0.98的AUC.
- 美国有线电视新闻网 (CNN) 模型的表现优于BLAST,HMM Profiles和DeepSig等传统方法.
- 高回忆率 (CNN为0.93,ProtBERT为0.95) 表明有效的AMR预测.
结论:
- 开发的CNN模型在分类P. gingivalis耐药蛋白序列方面表现出卓越的性能.
- 这种方法只能从蛋白质序列进行准确和快速的AMR预测.
- 潜在的早期识别耐药性趋势和改善牙周治疗中的抗生素管理.
更多相关视频
08:03Heuristic Mining of Hierarchical Genotypes and Accessory Genome Loci in Bacterial Populations
Published on: December 7, 2021
09:34A Virtual Machine Platform for Non-Computer Professionals for Using Deep Learning to Classify Biological Sequences of Metagenomic Data
Published on: September 25, 2021
相关概念视频
Gene Regulation in Microbial Communities: Quorum Sensing
Modern Molecular Taxonomy
Development of Antibiotic Resistance
