在抗微生物预测中的深度学习

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
• 药物发现 药物发现 药物发现

背景情况:

• 抗微生物 (AMP) 是常规抗生素的重要替代品.
• 与传统的机器学习相比,深度学习 (DL) 方法在AMP预测中提供了更高的性能.
• 抗生素耐药性需要新的治疗策略,突出AMP的重要性.

研究的目的:

• 审查抗微生物 (AMP) 预测中的深度学习的基本方面.
• 分析各种算法模型,包括用于AMP预测的基本,语言,图相关和多模式方法.
• 提供经典深度学习模型的比较验证,并讨论未来的研究挑战和机会.

主要方法:

• 对AMP预测中的深度学习应用现有文献的审查.
• 数据集状态,处理和表示学习技术的分析.
• 专注于算法模型:基本的,语言的,与图相关的,混合的和多式联络的.

主要成果:

• 深度学习模型在AMP预测的传统方法上显示了显著的优势.
• 各种DL架构,包括基于语言和图形的模型,对于AMP识别是有效的.
• 经典DL模型的比较验证为其性能提供了洞察力.

结论:

• 深度学习是加速发现新型抗微生物 (AMP) 的强大工具.
• 解决数据不平衡,增强,循环和可解释性等挑战是推动AMP研究中DL的关键.
• 本综述为人工智能驱动的抗微生物发现的未来研究提供了全面的参考.