预测:血脑屏障预测器使用堆叠的BiGRU模型,具有新的功能

科学领域:

• 计算生物学是一种计算生物学.
• 药物发现 药物发现
• 神经科学是一个神经科学.

背景情况:

• 血脑屏障 (B³) 在治疗中枢神经系统 (CNS) 疾病方面具有重大挑战.
• 穿透血脑屏障的 (B³PPs) 对于提供中枢神经系统疾病 (如阿尔茨海默氏症和帕金森症) 的治疗药物至关重要.
• 准确识别B3PPs对于有效的疾病治疗至关重要.

研究的目的:

• 开发一种用于预测B³PPs.的计算方法.
• 与传统方法相比,提高B³PP识别的成本效益和速度.
• 为了创建一个新的深度学习预测器,DeepB³Pred,为B³PPs.

主要方法:

• 使用的新功能:伪残留能量含量矩阵 (PseRECM),基于图形和统计的特征工程 (GSFE) 和组成转换和分布 (CTD).
• 使用随机低样本解决数据偏差问题.
• 采用深度学习模型 (堆叠的双向封闭循环单元 - - BiGRU,深森林) 和机器学习模型 (CatBoost,支持矢量机器).

主要成果:

• 基于BiGRU的DeepB³之前的模型优于现有的B³PP预测器.
• 在五倍交叉验证下实现了高预测效率:0.945准确度,0.877MCC和0.965AUC.
• 在未见的数据上表现出强大的概括性能,准确度为0.869,MCC为0.635,AUC为0.933.

结论:

• 开发的DeepB之前的模型准确地预测了BPPs.
• 这项研究预计将加速针对神经疾病的基于的药物发现.
• 深度学习方法提供了一个强大的工具,用于识别针对中枢神经系统的治疗.