基于深度指标元学习的生物活性的少数射击多标签预测
Zhenglong Zhou1, Tingfang Wu1,2,3, Yelu Jiang1
1School of Computer Science and Technology, Soochow University, Ganjiang East Street 333, 215006 Jiangsu, China.
Journal of chemical information and modeling
|August 22, 2025
概括
一种新的深度度元学习模型MetaMBP准确地预测生物活性的功能,特别是在有限的样本类别中. 这种方法提高了罕见生物活性类型的预测,有助于药物发现.
科学领域:
- 计算生物学
- 生物信息学
- 药物发现
背景情况:
- 生物活性具有针对性的低毒性治疗潜力.
- 许多生物活性类型的样本大小有限,阻碍了预测模型的开发.
- 现有的方法在涉及少数样本类别的多标签预测任务中扎.
研究的目的:
- 开发一种新的多标签模型,MetaMBP,用于预测生物活性的功能.
- 用有限的样本提高生物活性类别的预测性能.
- 借助超级学习来改善预测.
主要方法:
- 提出了MetaMBP,这是一个用于生物活性功能预测的深度度度度模型.
- 利用超级学习阶段的超级知识来帮助对有限的样本类别进行微调.
- 使用特征可视化和注意力评分分析来了解模型的行为.
主要成果:
- 在基准数据集上,MetaMBP的表现优于现有方法,特别是在有限的样本类别中.
- 几次试验证明了MetaMBP的适应性和有效性.
- 分析揭示了对类别关系和模型学习特征的洞察力.
结论:
- MetaMBP为选多标签生物活性提供了准确和适应性的方法.
- 该模型有效地解决了在生物活性预测中有限的样本大小的挑战.
- 在加速新疗法发现方面,MetaMBP显得有前途.
更多相关视频
10:37Deep Proteome Profiling by Isobaric Labeling, Extensive Liquid Chromatography, Mass Spectrometry, and Software-assisted Quantification
Published on: November 15, 2017
12.1K
09:47Author Spotlight: Advancing Alzheimer's Research – Exploring Early Detection and Multi-Omics Approaches
Published on: December 15, 2023
1.3K
