AFPDeepPred:用于准确识别抗蛋白的深度学习框架
Xingqiao Lin1,2, Jiahui Guan3, Feng Wang2
1School of Informatics, Xiamen University, 361005 Xiamen, China.
Journal of chemical information and modeling
|October 31, 2025
概括
抗蛋白 (AFP) 对于在寒冷环境中生存至关重要. 一个新的深度学习模型,AFPDeepPred,通过整合全球和本地序列数据,准确地识别这些蛋白质,达到93.46%的准确性.
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:
- 抗蛋白 (AFP) 对于在零度以下温度下生存的生物来说至关重要.
- 在生物医学和农业中,AFPs具有广泛的应用.
- 在AFPs中的高序列多样性使准确的,高通量识别复杂化.
研究的目的:
- 开发一种新的多式联络深度学习框架,AFPDeepPred,用于准确识别抗蛋白.
- 整合全球和本地序列信息,以提高AFP预测.
主要方法:
- 建议AFPDeepPred,一个多式联络深度学习框架.
- 集成的进化规模建模 (全球特征) 和混乱游戏表示 (本地特征).
- 利用双线性注意网络来融合异质序列特征.
主要成果:
- 在基于瑞士Prot的数据集上实现了最先进的性能,准确度为93.46%.
- 与现有方法相比,在所有评估指标上表现出卓越的表现.
- 在AFP识别中展示了强度和通用性.
结论:
- AFPDeepPred为高通量AFP识别提供了强大而准确的解决方案.
- 多式联网方法有效地利用了全球和本地序列特征.
- 该框架具有推动AFP研究和应用的巨大潜力.
