DeepPlantAllergy:深度学习用于解释性预测植物蛋白中的过敏性

科学领域:

• 生物信息学是一种生物信息学.
• 计算生物学 计算生物学
• 免疫学 免疫学 免疫学

背景情况:

• 过敏源于对特定的免疫反应.
• 预测蛋白质过敏性的现有生物信息学工具往往缺乏解释性,并与研究不足的植物过敏原作斗争.
• 需要改进,可解释的模型来预测植物过敏性.

研究的目的:

• 开发DeepPlantAllergy,这是一个用于预测植物蛋白质过敏性的深度学习模型.
• 为了提高过敏性预测的解释性.
• 为了确定有助于植物蛋白质过敏性的特定残留物.

主要方法:

• 利用了结合卷积神经网络 (CNN),双向长期短期记忆 (BiLSTM) 网络和多头自我注意 (MHSA) 的深度学习架构.
• 评估了四种蛋白质序列嵌入技术:一次热编码,SeqVec,ProtBert和ESM-1B.
• 采用集成梯度用于残留水平重要性分析和分子对接以验证预测的表位.

主要成果:

• DeepPlantAllergy实现了高预测性能,F1得分分别为93.9% (ESM-1B) 和93.6% (ProtBert),AUC得分分别为97.74%和97.8%.
• 嵌入技术在图案提取方面显示了互补的优势,ProtBert和ESM-1B突出了不同的过敏原区域.
• 综合梯度成功识别了关键残留物,分子对接证实了预测表位的生物相关性.

结论:

• DeepPlantAllergy提供了一种强大且可解释的方法来预测植物蛋白质的过敏性.
• 该模型有助于在未充分描述的植物蛋白中发现新的过敏原动机.
• 代码和数据的开源可用性促进了对植物过敏预测的进一步研究.