BBATProt:一个预测生物功能的框架,通过可解释的深度学习来增强特征提取

科学领域:

• 计算生物学 计算生物学
• 机器学习在生物信息学中的应用
• 蛋白质功能预测的预测

背景情况:

• 测定蛋白质功能的实验方法有限.
• 计算方法,特别是机器学习,对于预测蛋白质和的功能至关重要.
• 现有的工具往往缺乏多功能性,并且是特定于任务的.

研究的目的:

• 开发一个通用的框架来预测蛋白质和的功能.
• 提高计算函数预测工具的准确性和适应性.
• 利用转移学习和先进的神经网络架构进行增强的预测.

主要方法:

• 提出了BERT-BiLSTM-注意力-TCN蛋白功能预测框架 (BBATProt).
• 利用转移学习与预训练的双向编码器从变压器 (BERT) 模型的表示.
• 集成的双向长期短期记忆 (BiLSTM) 和具有注意力机制的时间卷积网络 (TCN).

主要成果:

• 在各种预测任务中,BBATProt在最先进的模型中表现出优越的性能.
• 在抗微生物 (AMP) 预测 (2.96%-41.96%) 和翻译后修改 (PTM) 部位预测 (0.64%-23.54%) 中取得了显著的准确性改进.
• 显示了AMP (0.71%-40.51%) 和PTM (0.62%-27.82%) 预测的接收器运行特征曲线下的改进区域.
• 注意力机制可视化证实了框架解释性和特征提取洞察力.

结论:

• BBATProt为蛋白质和的功能预测提供了一种多功能和准确的解决方案.
• 该框架的架构有效地捕捉了本地和全球特征,以便准确预测.
• BBATProt的可解释性为基础生物特性和预测机制提供了宝贵的见解.