通过可解释的深度学习和合成嵌合体进行泛微藻暗蛋白质组映射
David R Nelson1, Ashish Kumar Jaiswal1, Noha Samir Ismail1,2
1Laboratory of Algal, Artificial Intelligence, Synthetic, and Systems Biology (A2S2 Group), Division of Science and Math, New York University Abu Dhabi (NYUAD), Abu Dhabi, UAE.
Patterns (New York, N.Y.)
|December 2, 2025
概括
研究人员开发了LA4SR,这是一种用于分类微藻暗蛋白质的AI工具. 这一创新框架显著加速了序列分析,使微生物基因组学和进化更深入地理解.
科学领域:
- 基因组学就是基因组学.
- 生物信息学是一种生物信息学.
- 计算生物学 计算生物学
背景情况:
- 微藻基因组包含大量未分类序列的"黑暗蛋白质组".
- 传统工具很难识别和分类这些同源序列.
研究的目的:
- 开发一个人工智能驱动的框架来对微藻中翻译的ORFeomes进行分类.
- 为了应对"黑暗蛋白质组"的挑战,并增强蛋白质组数据注释.
主要方法:
- 使用变压器和状态空间模型进行序列表示 (LA4SR).
- 经过约7700万种藻类氨基酸序列的训练,跨越了十个族群.
- 与BLASTP+等传统方法相比,评估了分类准确性,回忆和推断速度.
主要成果:
- LA4SR实现了近乎完整的召回和加速分类超过10,700×.
- 该模型展示了对未见的序列的强有力的概括,需要最小的训练数据.
- 无终端信息 (无TI) 的序列模型保持了高精度和增强了可扩展性.
结论:
- LA4SR提供了一种高效和准确的方法,用于询问微生物黑暗蛋白质组.
- 该框架将生物背景与计算创新相结合,以实现广泛的学科可访问性.
- 通过可解释的序列模式,LA4SR可以更深入地了解藻类的进化和生物物理特征.
更多相关视频
07:51A Multi-Omics Extraction Method for the In-Depth Analysis of Synchronized Cultures of the Green Alga Chlamydomonas reinhardtii
Published on: August 8, 2019
8.1K
10:37Deep Proteome Profiling by Isobaric Labeling, Extensive Liquid Chromatography, Mass Spectrometry, and Software-assisted Quantification
Published on: November 15, 2017
12.6K
