产生深度学习的混合框架用于抗病毒的发现
Huynh Anh Duy1,2, Tarapong Srisongkram3
1Graduate School in the Program of Research and Development in Pharmaceuticals, Faculty of Pharmaceutical Sciences, Khon Kaen University, Khon Kaen, 40002, Thailand.
Scientific reports
|July 15, 2025
概括
研究人员开发了一种混合AI模型,将WGAN-GP和BiLSTM结合起来,以发现新的抗病毒 (AVP). 这种强大的工具成功识别了815个AVP,加速了针对病毒感染的新型基疗法的开发.
科学领域:
- 计算化学和生物信息学
- 药物的发现和开发.
- 传染病研究传染病研究.
背景情况:
- 抗病毒 (AVP) 显示出治疗病毒感染的希望,但它们的发现很困难.
- 目前用于识别AVP的现有方法有限,阻碍了治疗的发展.
研究的目的:
- 开发和验证一种混合计算模型,以有效地发现新型抗病毒.
- 为了利用先进的机器学习技术来增强生成和分类.
主要方法:
- 一个混合模型,将瓦斯斯坦生成对抗网络与梯度惩罚 (WGAN-GP) 集成为生成和双向长短期记忆 (BiLSTM) 网络进行分类.
- 严格验证BiLSTM模型,包括应用领域和特征重要性分析.
- 对生成的序列的多样性和功能性进行WGAN-GP模型的全面评估.
主要成果:
- BiLSTM模型在识别AVPs方面表现出可靠的性能.
- 该WGAN-GP模型成功生成了多样化和功能性序列.
- 混合模型确定了815个新型AVP,在不同的病毒标中丰富度有显著的变化,特别是流感A病毒的高.
结论:
- 混合WGAN-GP和BiLSTM方法是加速抗病毒发现的强大工具.
- 该研究提供了对AVP特征的宝贵见解,并确定了有前途的候选人进行进一步研究.
- 开发了一个公开可访问的平台 (https://avp-predictor.streamlit.app),以帮助研究人员优先考虑候选AVP.
更多相关视频
08:09Peptide Scanning-assisted Identification of a Monoclonal Antibody-recognized Linear B-cell Epitope
Published on: March 24, 2017
9.6K
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
4.1K
