相关实验视频
Updated: Jun 26, 2026
14:28
Peptide-based Identification of Functional Motifs and their Binding Partners
Published on: July 1, 2013
BERTAVP:一种可解释的多任务学习模型,用于识别和功能预测抗病毒
Weihao Su1, Yihao Liang1, Yaowen Chen2
1College of Engineering, Shantou University, Shantou, 515063, China.
Computers in biology and medicine
|November 9, 2025
概括
新的深度学习模型BERTAVP准确识别抗病毒 (AVP) 并预测它们的功能. 它分析了功能性动机,提供了对抗各种病毒疾病的AVP活性的见解.
科学领域:
- 生物化学 生物化学
- 计算生物学 计算生物学
- 药物发现 药物发现 药物发现
背景情况:
- 由于它们的功能动机,抗病毒 (AVP) 显示出对治疗病毒性疾病的希望.
- 当前的模型往往缺乏子类预测和可解释的动机分析.
- 挑战包括有限的体表征和不平衡的数据集.
研究的目的:
- 开发一个可解释的深度学习框架,用于识别AVP并预测其功能活动.
- 解决AVP研究中的数据不平衡和体表示问题.
- 确定负责AVP活动的关键功能动机.
主要方法:
- 推出了BERTAVP,一个多任务深度学习框架.
- 使用BERT和CNN分支进行特征提取 (,氨基酸,物理化学).
- 使用焦点损失来处理不平衡的数据集,并分析学习的动机.
主要成果:
- 在AVP识别和功能预测方面,BERTAVP取得了卓越的表现.
- 确定了ELDKWA和SLWNWF图案作为关键的结构和功能模块.
- 在富含托芬的地区发现了WMEWDREI (抗HIV) 和KxHxx (冠状病毒特异性) 动机.
结论:
- BERTAVP为AVP研究提供了一种有效的,可解释的方法.
- 动机分析揭示了驱动AVP活动的特定结构元素.
- 该框架增强了对抗各种病毒威胁的AVP疗效的理解和预测.
