MFE-ACVP:基于多式特征提取和集体学习的抗冠状病毒预测
Liqiong Kang1, Leer Bao1, Peisen Zhang1
1College of Computer and Information Engineering, Inner Mongolia Agricultural University, Hohhot, 010018, China.
Briefings in bioinformatics
|November 19, 2025
概括
本研究介绍了MFE-ACVP,这是一种用于识别抗冠状病毒 (ACVP) 的AI框架. 它通过克服数据限制和提高抗病毒药物开发预测准确度来增强ACVP发现.
科学领域:
- 生物技术是生物技术.
- 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:
- 随着COVID-19的流行,人们迫切需要有效的抗病毒疗法.
- 抗冠状病毒 (ACVP) 由于其向特异性和低毒性,提供了有前途的治疗潜力.
- 目前用于ACVP识别的计算模型受到不足的验证数据的限制.
研究的目的:
- 开发一个先进的人工智能框架,MFE-ACVP,以有效识别潜在的抗冠状病毒.
- 通过创新的计算方法解决ACVP发现有限数据的挑战.
- 提高ACVP预测模型的准确性和概括能力.
主要方法:
- 开发了一个改进的生成对抗网络 (GAN),具有实现约束,以生成高质量的ACVP并减轻数据稀缺.
- 通过整合序列,结构,进化和拓性特征,设计了一种100维的交叉尺度特征表示.
- 构建了一个集体学习架构,将五种传统的机器学习模型与深度神经网络 (DNN) 结合起来,以提高预测性能.
主要成果:
- 在独立验证集上,MFE-ACVP框架表现出优异的预测性能,实现曲线下的面积 (AUC) 为86.37%,精度 (ACC) 为77.62%,马修相关系数 (MCC) 为65.19%.
- 在预测准确性和稳定性方面,MFE-ACVP的表现优于PreAntiCoV,iACVP,ACVPred和ENNAVIA-C/D等现有模型.
- 开发了一个公开可访问的Web服务器,以促进对ACVP的选.
结论:
- MFE-ACVP框架代表了识别抗冠状病毒的计算方法的重大进步.
- 该研究使用先进的AI技术成功解决了ACVP预测中的数据不足挑战.
- 开发的工具和方法预计将加速新型抗病毒疗法的发现和开发.
