使用基于遗传算法的加权多视角描述器与自我规范化的深度网络加速抗病毒的预测
Shahid Akbar1,2, Ali Raza3,4,5, Quan Zou1,6
1Institute of Fundamental and Frontier Sciences, University of Electronic Science and Technology of China, Chengdu 610054, China.
Journal of chemical information and modeling
|September 3, 2025
概括
这项研究介绍了TargetAVP-DeepCaps,这是一种用于准确预测抗病毒 (AVP) 的新型深度学习模型. 该模型达到97.36%的准确性,显著推进了基于的抗病毒药物发现.
科学领域:
- 计算生物学
- 生物信息学
- 药物发现
背景情况:
- 尽管存在抗病毒药物,但病毒性疾病仍是全球重大健康挑战.
- 抗病毒 (AVP) 作为新型治疗剂具有前景.
- 识别AVP的传统方法效率低下,缺乏深入的序列洞察力.
研究的目的:
- 为预测抗病毒 (AVP) 开发精确有效的计算模型.
- 克服传统劳动密集和昂贵的AVP识别方法的局限性.
- 提高对抗病毒药物开发中的机制的理解.
主要方法:
- 使用ProtGPT2进行上下文嵌和序列到图像转换 (SMR,RECM).
- 应用CLBP进行局部图像分解和特征向量形成的差异演变.
- 采用混合MRMD+SFLA方法进行最佳特征选择.
- 开发了一种新的自我规范化囊网络 (Sn-CapsNet) 用于预测.
主要成果:
- 在AVP中取得了97.36%的卓越预测准确度.
- 超过现有的预测指标约12%,AUC为0. 98.
- 在独立数据集上表现出强大的概括,比以前的模型有8%的改进.
结论:
- 目标AVP-DeepCaps模型提供了一个高度准确和高效的AVP预测工具.
- 这种计算方法加速了基于的抗病毒疗法的发现和开发.
- 为了解机制及其在药物发现中的应用提供了宝贵的资源.
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
08:04Identification and Classification of Position-specific GABAA Receptor Subunit Missense Variants for Their Role In Hippocampal Pyramidal Neurons
Published on: June 6, 2025
492
