基于对比学习和封闭卷积神经网络的抗微生物预测
Guanghui Li1, Laiyun Wang2, Jiawei Luo3
1School of Information and Software Engineering, East China Jiaotong University, Nanchang, 330013, China. ghli16@hnu.edu.cn.
Scientific reports
|November 25, 2025
概括
我们开发了CG-AMP,这是一种深度学习工具,用于识别抗微生物 (AMP) 作为抗生素有前途的替代品. CG-AMP有效地识别AMP,为抗生素耐药性提供了可靠的解决方案.
科学领域:
- 生物化学和分子生物学
- 计算生物学和生物信息学
- 微生物学与传染病的研究
背景情况:
- 过度使用抗生素会助长抗生素耐药性,并破坏有益的微生物群落.
- 抗微生物 (AMP) 是传统抗生素的一个有希望的替代品.
- 计算方法加速AMP发现,减少时间和成本.
研究的目的:
- 开发一个高效的深度学习框架,CG-AMP,用于识别抗微生物 (AMP).
- 通过整合预先训练的语言模型,对比学习和卷积神经网络 (CNN) 来利用多式联络功能.
- 提高AMP识别的准确性和效率.
主要方法:
- 拟议的CG-AMP是一个双模块深度学习框架.
- 模块1:使用预先训练的语言模型和对比式学习来学习特征表示.
- 模块2:增强的卷积神经网络 (CNN) 以实现高效的特征提取.
主要成果:
- 在AMP识别方面,CG-AMP表现出高可靠性.
- 在AMPlify测试套件上获得了0.9497准确度和0.9508F1得分.
- 在DAMP测试套件中获得了0.9403准确度和0.9392F1得分,优于现有方法.
结论:
- CG-AMP是一种强大而有效的工具,用于识别抗微生物.
- 双模块架构有效地整合了多式联网功能,以提高性能.
- CG-AMP提供了一种有价值的计算方法,以加快新型AMP的发现.
