Datt-AVP:通过基于序列的双通道网络与注意力机制进行抗病毒预测

科学领域:

• 生物技术是生物技术.
• 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:

• 病毒大流行需要快速开发有效的抗病毒药物.
• 抗病毒 (AVP) 通过向宿主细胞,有望预防病毒感染.
• 准确预测AVP对于有效的药物发现管道至关重要.

研究的目的:

• 介绍Datt-AVP,这是一个用于预测抗病毒 (AVP) 的新型计算工具.
• 为了利用先进的深度学习技术来增强AVP序列特征提取.
• 提高识别潜在抗病毒候选者的准确性和效率.

主要方法:

• 开发一个双通道深度学习模型,集成长期短期记忆 (LSTM) 和卷积神经网络 (CNN).
• 使用预训练的蛋白质语言模型作为序列的特征提取器.
• 整合了一种自我注意机制,以改进预测性能.

主要成果:

• 达特-AVP工具展示了对不同长度的抗病毒的高识别能力.
• 取得了96.1%的基准数据集准确率.
• 在抗病毒基预测方面表现优于现有的最先进的工具.

结论:

• 达特-AVP为抗病毒预测提供了一个高度准确和高效的方法.
• 深度学习方法有效地捕获AVP序列中的复杂特征.
• 这种工具可以显著加快新型抗病毒药物的发现,以应对流行病的准备.