PLM-VF:一种基于多尺度CNN和蛋白质语言模型的细菌病原体中毒性蛋白质的新型预测器
Qingyang Guo1, Yusen Su1, Taigang Liu1
1College of Information Technology, Shanghai Ocean University, Shanghai 201306, China.
International journal of biological macromolecules
|July 17, 2025
概括
这项研究介绍了PLM-VF,一种用于识别细菌毒性蛋白 (VF) 的新计算模型. 它从蛋白质序列准确地预测VF,有助于传染病研究和临床应用.
科学领域:
- 微生物学 微生物学
- 生物信息学是一种生物信息学.
- 计算生物学 计算生物学
背景情况:
- 传染病需要快速检测细菌毒性因子 (VF).
- 传统的实验性VF识别是耗时且昂贵的.
- 有效的计算方法对于VF检测至关重要.
研究的目的:
- 开发一种强大且可解释的计算模型,用于识别细菌毒性蛋白 (VF).
- 用蛋白序列来提高VF检测的准确性和效率.
主要方法:
- 从两个预训练的蛋白质语言模型 (PPLM) 中集成嵌入:ESM-1b和ProtT5.5.
- 利用多尺度卷积神经网络 (CNN) 架构进行增强的预测.
- 这种名为PLM-VF的模型是为VF识别而开发的.
主要成果:
- 在一个独立的测试数据集上,PLM-VF实现了高性能.
- 精度 (ACC) 为86.98%,AUROC为0.9406,MCC为0.7442. 这两种方法的精度均为0.7442.
- 与现有方法相比,基于蛋白质序列的VF识别能力更强.
结论:
- PLM-VF提供了一种强大且可解释的方法来识别细菌VF.
- 该模型的性能超过了当前的先进方法.
- 在生物研究和临床环境中对传染病管理的潜在应用.
