MCT-ARG:基于多通道变压器模型的抗生素耐药性基因的识别和分类

科学领域:

• 计算生物学和生物信息学
• 抗微生物耐药性研究的研究.
• 在基因组学中的机器学习.

背景情况:

• 抗生素耐药性基因 (ARG) 的全球传播是一个主要的公共卫生问题.
• 目前的ARG预测方法缺乏可解释性,无法捕捉非序列特征.
• 现有方法的局限性阻碍了新型抗生素耐药性机制的发现.

研究的目的:

• 开发一个先进的框架,MCT-ARG,用于准确预测抗生素耐药性基因.
• 整合多模式蛋白质数据,包括初级序列,二级结构和RSA,进行全面分析.
• 提高对抗生素耐药性的机制性见解的解释性.

主要方法:

• 提出了一个多通道变压器框架 (MCT-ARG),集成蛋白质初级序列,预测二级结构和相对溶剂可访问性 (RSA).
• 采用多头自我注意力来模拟跨异质数据模式的长距离依赖.
• 采用双约束规范化策略 (缩小和执行局部连续性),将注意力集中在功能相关的残留物上.

主要成果:

• 在15个抗生素类别中实现了卓越的二元分类性能 (AUC-ROC = 99.23%,MCC = 92.74%) 和多类分类准确性 (92.42%).
• 在阶级不平衡下表现出强性 (MCC = 90.97%).
• 解释性分析确定了在进化上保存的和功能关键区域,与已知的催化动机和活性区域保持一致.

结论:

• 在预测准确度,稳定性和ARG预测的可解释性方面,MCT-ARG超越了最先进的模型.
• 该框架为抗性监测和功能注释提供了有价值的见解.
• MCT-ARG促进了新型抗菌剂的合理设计.