AIP-TranLAC:一种基于变压器的方法,集成LSTM和注意力机制,用于预测抗炎
1School of Mathematics and Statistics, Xidian University, Xi'an, 710071, P. R. China. shengli0201@163.com.
Interdisciplinary sciences, computational life sciences
|August 19, 2025
概括
我们开发了AIP-TranLAC,这是一种深度学习模型,用于识别抗炎 (AIP). 该工具准确地对AIP进行分类,有助于发现炎症疾病的新治疗方法.
科学领域:
- 生物技术是生物技术.
- 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:
- 抗炎性 (AIP) 显示出对炎症性疾病的治疗潜力.
- 目前,对AIP的计算识别是一个重大挑战.
研究的目的:
- 引入AIP-TranLAC,这是一个新的深度学习框架,用于准确的AIP分类.
- 改进治疗性抗炎的计算识别.
主要方法:
- 一种混合深度学习架构,结合了基于变压器的嵌入,Bi-LSTM,多头注意力和CNN.
- 使用序列模式来准确分类抗炎.
- 进行可解释性分析以确定关键氨基酸残留物.
主要成果:
- 在基准和独立数据集上,AIP-TranLAC取得了卓越的表现.
- 该模型显示了与现有的计算方法相比的显著改进.
- 该框架有效地捕获了的本地和全球序列模式.
结论:
- AIP-TranLAC提供了一种强大而准确的工具,可以加速治疗性的发现.
- 该模型的可解释性有助于理解抗炎作用的机制.
- 开源可用性促进了可复制性和进一步的炎症和发现研究.


