深度AIPs-SFLA:使用SFLA方法对新型多视图描述器的二进制模式分解预测抗炎的深度卷积模型
Shahid Akbar1,2, Ali Raza3, Wajdi Alghamdi4
1Institute of Fundamental and Frontier Sciences, University of Electronic Science and Technology of China, Chengdu 610054, China.
ACS omega
|August 25, 2025
概括
一个新的深度学习模型,DeepAIPs-SFLA,可以准确地预测抗炎 (AIPs). 这种计算工具通过整合进化和结构性特征来增强炎症性疾病的药物发现.
科学领域:
- 计算生物学
- 免疫学
- 药物发现
背景情况:
- 炎症是一种重要的免疫反应, 但慢性炎症会导致严重的疾病.
- 由于选择性和最小的副作用,抗炎 (AIP) 显示出有前途的治疗效果.
- 现有的计算AIP预测器缺乏内部序列,结构和进化信息.
研究的目的:
- 开发一种新的深度学习模型,DeepAIPs-SFLA,用于准确预测抗炎.
- 通过使用先进的基于图像的编码来整合进化和结构性特征.
- 改进现有的计算方法来识别潜在的抗炎疗法.
主要方法:
- 将序列转化为二维结构图像 (RECM) 和进化图像 (PSSM).
- 使用本地二进制模式 (LBP) 和完成本地二进制模式 (CLBP) 进行纹理描述.
- 使用差异进化和选择最佳特征的混合青跳跃算法 (SFLA) 进行深度残余卷积神经网络 (RCNN) 训练.
主要成果:
- DeepAIPs-SFLA模型实现了97.04%的预测准确率和0.98的训练序列AUC.
- 与现有的预测指标相比,独立数据集 (Ind-426和Ind-1049) 的准确性明显提高了13%和2%.
- 验证了该模型的强度和概括能力,用于预测抗炎.
结论:
- DeepAIPs-SFLA提供了一种强大的计算方法来识别抗炎.
- 该模型整合了多种序列和结构信息,提高了预测准确性.
- 这种工具有助于推进研究和加速治疗炎症的药物发现.
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
2.0K
06:19Integration of Animal Behavioral Assessment and Convolutional Neural Network to Study Wasabi-Alcohol Taste-Smell Interaction
Published on: August 16, 2024
527
