iALP:根据大语言模型和门线性单元识别过敏性蛋白质
Bing Zhang1, Jianping Zhao2, Yannan Bin3
1College of Mathematics and System Sciences, Xinjiang University, Ürümqi, 830000, China.
Interdisciplinary sciences, computational life sciences
|July 13, 2025
概括
一种新的方法,iALP,使用先进的人工智能准确识别过敏原蛋白 (ALPs). 这一突破有助于预防过敏反应,并制定更好的过敏治疗策略.
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
- 免疫学 免疫学 免疫学
背景情况:
- 过敏性疾病是一个日益严重的全球健康问题.
- 精确识别过敏原蛋白 (ALPs) 对于过敏预防和管理至关重要.
- 目前用于ALP识别的机器和深度学习方法在捕获复杂蛋白质特征方面存在局限性.
研究的目的:
- 引入iALP,一种用于高度有效的过敏原蛋白质识别的新方法.
- 为了利用大型语言模型 (ProtT5) 和门线性单元 (GLU) 的力量来增强ALP特征提取.
- 提高过敏原蛋白质预测的准确性和有效性.
主要方法:
- 利用ProtT5大型语言模型对复杂的ALP特征进行深入分析.
- 采用门线性单元 (GLU) 来捕获蛋白质内的复杂非线性特征.
- 开发并验证了iALP方法用于鉴定过敏原蛋白质.
主要成果:
- 在测试数据集上,iALP实现了高准确度和F1得分为0.957.
- 该方法在单独的数据集上与现有的领先预测指标相比显示出更高的性能.
- 性能分析包括对100个氨基酸以下的蛋白质序列的评估.
结论:
- iALP为准确的过敏原蛋白质预测提供了一个高度有效的解决方案.
- 开发的方法可以显著支持过敏症状预防策略.
- iALP促进了改善过敏原预防和治疗计划的实施.
