AFP-GFuse:一种通过多图神经网络和交叉注意力机制的结构信息融合的抗真菌鉴定模型
Xiaomeng Lin1, Ruiqi Liu1, Aoyun Geng1
1School of Computer Science and Technology, Hainan University, Haikou, 570228, China.
Molecular diversity
|December 11, 2025
概括
这项研究介绍了AFP-GFuse,这是一种用于识别抗真菌 (AFP) 的新型深度学习模型. 通过整合序列和结构数据,AFP-GFuse提高了预测准确性,优于现有的计算方法.
科学领域:
- 生物化学 生化学
- 计算生物学 计算生物学
- 生物信息学是一种生物信息学.
背景情况:
- 抗真菌 (AFPs) 是对抗真菌病原体的关键自然防御分子.
- 传统的AFP识别方法缓慢且昂贵,需要先进的计算方法.
- 现有的AFP人工智能模型往往缺乏全面的特征表示,特别是空间信息,并且可以在单个图形神经网络 (GNN) 中遭受特征偏差.
研究的目的:
- 开发一种先进的深度学习模型,以准确有效地识别抗真菌 (AFPs).
- 通过整合不同的数据表示和互补的GNN来克服现有的计算方法的局限性.
- 提供一个可访问的工具,用于在抗真菌研究中的更广泛应用.
主要方法:
- 为抗真菌 (AFP) 识别构建一个全面的数据集.
- 开发一个深度学习模型,AFP-GFuse,使用三个互补的图形神经网络 (GNN) 集成序列和结构信息.
- 实施一个层次的交叉注意力机制,以实现多图形特征表示的动态融合.
主要成果:
- 该AFP-GFuse模型实现了0.9140的高预测准确度,超过了最先进的方法.
- 废弃性研究证实了结构表示对模型性能的显著贡献.
- 整合交叉注意力机制有效地解决了个别GNN的表示限制,提高了整体预测能力.
结论:
- AFP-GFuse在计算抗真菌 (AFP) 识别方面取得了重大进展.
- 该模型通过交叉注意力机制集成序列和结构数据的能力提供了卓越的性能.
- 提供开放数据和在线服务,以促进更广泛的采用和研究抗真菌的发现.
