快速识别金属耐药性基因,使用在广泛扩展的BacMet数据库上训练的增强的ResNet深度学习模型

科学领域:

• 环境微生物学
• 生物信息学
• 计算生物学

背景情况:

• 重金属污染对环境和公共健康构成重大风险.
• 了解微生物对金属的适应对于有效管理至关重要.
• 识别和分类金属抗性基因是理解这一点的关键.

研究的目的:

• 将BacMet数据库扩展到与金属抗性相关的新型氨基酸序列.
• 开发和评估用于分类金属转位蛋白的深度学习模型.
• 创建一个易于使用的工具来预测基因金属耐药性.

主要方法:

• 将超过120万个独特的氨基酸序列纳入BacMet数据库.
• 使用深度学习模型 (AlexNet,VGG,GoogleNet,ResNet,BERT,ViT,Mamba2) 进行多标签分类.
• 通过实验测试验证了模型性能和基因库可靠性,并开发了PMRAAS网站.

主要成果:

• 与BLASTp和DIAMOND等传统方法相比,ResNet模型获得了更高的准确性 (98.91%的雅卡德评分) 和计算效率.
• 扩展的基因库和ResNet模型显示出高的预测性能和可靠性.
• 该网站是为在线基因金属耐药性预测而开发的.

结论:

• 深度学习模型,特别是ResNet, 提供了一种强大而有效的方法来对金属耐药性基因进行分类.
• 扩展的BacMet数据库和PMRAAS工具为研究微生物适应提供了宝贵的资源.
• 这些进展支持加强重金属污染管理的生物修复策略.