ACP-EPC:一种可解释的深度学习框架,用于使用预训练的蛋白质语言模型和多视图特征提取策略进行抗癌预测

科学领域:

• 生物化学 生物化学
• 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:

• 常规化疗会对健康细胞造成重大损伤,导致严重的副作用.
• 抗癌 (ACP) 提供了一个有针对性的治疗替代方案,选择性地消除癌细胞.
• 试验性识别ACP是耗时和劳动密集的.

研究的目的:

• 开发一个深度学习框架,ACP-EPC,直接从蛋白质序列中准确预测ACP.
• 克服传统的试验方法的局限性,以确定ACP.
• 为该领域的研究人员提供公开可访问的工具.

主要方法:

• 开发了ACP-EPC,这是一个使用进化规模建模2 (ESM-2) 进行上下文表示的深度学习框架.
• 集成的手工制作的物理化学描述符与ESM-2特征.
• 采用交叉关注机制来实现多式联运特征融合.
• 使用十倍交叉验证和两个独立测试集 (ACP135和ACP99) 评估模型性能.

主要成果:

• 经过十倍交叉验证,ACP-EPC实现了很高的预测准确度:在ACP99试验组中,0.935和0.984.
• 该模型与现有的非洲和非洲国家预测方法相比,表现优越.
• 多种特征表示的整合对于预测准确性来说是有利的.

结论:

• ACP-EPC是一个有效的深度学习框架,用于从蛋白质序列中预测抗癌.
• 这项研究强调了结合进化和物理化学特征的好处,以提高预测.
• 一个公开的网络服务器 (http://www.bioai-lab.com/ACP-EPC) 已建立,以促进非洲和非洲的研究.