pCPPs-sADNN:使用基于自我注意的深度神经网络预测细胞透.
Naif Almusallam1, Shahid2, Maqsood Hayat3
12Department of Management Information Systems, School of Business, King Faisal University, Al Ahsa, 31982, Saudi Arabia.
Scientific reports
|December 2, 2025
概括
这项研究介绍了pCPPs-sADNN,这是一个用于预测细胞透 (CPPs) 的计算模型. 该模型使用先进的功能融合和深度学习来准确预测药物输送.
科学领域:
- 生物技术是生物技术.
- 计算生物学 计算生物学
- 药物运输 药物运输 药物运输
背景情况:
- 细胞透 (CPP) 对于药物输送和细胞内定位至关重要.
- 传统的CPP鉴定实验室方法耗时且昂贵.
- 计算方法提供了一个更快,更经济的替代方案.
研究的目的:
- 开发一个准确和高效的计算模型来预测细胞透 (CPPs).
- 为了利用先进的机器学习技术来增强CPP预测.
- 克服现有的实验和计算方法的局限性.
主要方法:
- 开发了pCPPs-sADNN模型,结合了蛋白质文本到文本转移变压器和进化规模建模的特征嵌入,以及联合三合特征.
- 采用基于随机森林的递归特征消除来进行特征选择.
- 利用自适应合成采样方法对阶级不平衡进行了训练,并训练了一个具有注意力机制的深度神经网络.
主要成果:
- 该pCPPs-sADNN模型实现了98.58%的高训练精度和0.99.9的AUC.
- 在测试数据集上,该模型表现出强的性能,准确率为96.84%,AUC为0.99.
- 功能融合和深度学习与注意力显著提高了预测准确性.
结论:
- pCPPs-sADNN模型为CPP预测提供了一个快速,经济高效和准确的计算解决方案.
- 这种方法增强了药物输送和细胞内局部化策略.
- 该研究强调了整合各种特征集和深度学习用于生物预测的潜力.
