MKFGO:将多源知识融合与预训练的语言模型集成为高精度的蛋白质功能预测.
Yi-Heng Zhu1, Shuxin Zhu1, Xuan Yu2
1College of Artificial Intelligence, Nanjing Agricultural University, 666 Binjiang Avenue, Jiangbei New District, Nanjing, Jiangsu Province, 211800, China.
一种新的深度学习方法,即用于基因本体学预测的多源知识融合 (MKFGO),可以准确地识别蛋白质功能. MKFGO集成了多个数据源,以超越基因本体学属性预测中的现有方法.
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
- 基因组学就是基因组学.
背景情况:
- 准确的蛋白质功能识别对于理解生物机制和推动药物发现至关重要.
- 测定蛋白质功能的实验方法往往是费力和耗时的.
- 需要计算方法来加速蛋白质功能预测.
研究的目的:
- 开发一种新的深度学习方法,用于准确的基因本体学 (GO) 属性预测.
- 整合多个来源的生物数据,以增强蛋白质功能推断.
- 改进现有的最先进的蛋白质功能预测方法.
主要方法:
- 为基因本体学预测 (MKFGO) 提出的多源知识融合,是一种复合深度学习模型.
- 整合了五个互补的管道,利用多个来源的生物数据.
- 开发了两个核心深度学习组件:手工制作的基于特征表示的GO预测 (HFRGO) 和基于蛋白质大语言模型 (PLM) 的GO预测 (PLMGO).
- 采用LSTM注意网络与三重损失和PLM用于特征提取和知识融合.
主要成果:
- 与12种最先进的方法相比,MKFGO在1522种非冗余蛋白质上表现出更高的性能.
- HFRGO和PLMGO的组合显著促进了MKFGO的准确性.
- 从蛋白质-蛋白质相互作用,GO术语概率和基因序列的补充见解进一步增强了预测.
结论:
- 使用深度学习,MKFGO提供了一种强大而准确的方法来预测蛋白质功能.
- 该方法的优势在于其多源数据集成和决策层面的知识融合.
- 开发的模型和源代码是公开可用的,用于研究.
更多相关视频
06:50Author Spotlight: A Computational Approach to Decipher Amino Acid Preferences in Multispecific Protein-Protein Interactions
Published on: January 26, 2024
07:35A Knowledge Graph Approach to Elucidate the Role of Organellar Pathways in Disease via Biomedical Reports
Published on: October 13, 2023
相关概念视频
Tagging and Fusion Proteins
Protein-protein Interfaces
Protein Networks
These interactions can be represented through maps depicting protein-protein interaction networks, represented as nodes and edges. Nodes are circles that are representative of a protein,...
Protein Families
Conservation of Protein Domains Over Different Proteins
A limited set of protein domains often duplicate and recombine during evolution. These domains can be organized in different combinations to...
Protein Organization
The primary structure of a protein is its amino acid sequence....
