BGC-MAC和BGC-MAP:生物合成基因集群分类和产品匹配的基于注意力的模型
Kechen Lu1, Mengting Li2, Hao Geng3
1Department of Pathology, UMass Chan Medical School, Worcester, Massachusetts 01655, United States.
两种新的深度学习模型,BGC-MAC和BGC-MAP,增强了生物合成基因集群 (BGC) 的注释,以发现天然产品. 这些可解释的人工智能工具改善了分类和产品关联,加速了治疗剂的识别.
科学领域:
- 生物化学 生物化学
- 生物信息学是一种生物信息学.
- 机器学习 机器学习
背景情况:
- 由生物合成基因集群 (BGCs) 合成的天然产品是治疗药物的关键来源.
- 准确的BGC注释对于探索自然产品多样性至关重要,但由于对生物合成途径的不完全理解,仍然具有挑战性.
- 目前的注释方法在准确性和可解释性方面存在局限性.
研究的目的:
- 开发先进的深度学习模型,以改善BGC注释.
- 加强BGC按自然产品类别的分类,并将BGC与特定的产品结构联系起来.
- 提供一个可解释的AI框架,以更深入地了解BGC与天然产品的关系.
主要方法:
- 开发了两个深度学习模型:BGC多头注意力分类器 (BGC-MAC) 和BGC多头注意力产品匹配器 (BGC-MAP).
- 在经过实验验证的BGC-天然产品对上训练有素的模型.
- 利用交叉注意力机制来解释AI,识别关键蛋白质域和BCC子结构关系.
主要成果:
- 在按自然产品类别对BGC进行分类时,BGC-MAC的表现优于现有的工具 (antiSMASH,DeepBGC).
- BGC-MAP在优先考虑候选BGC或识别来自BGC的产品方面显示出潜力.
- 这些模型的可解释的AI特征揭示了没有先前注释的生物合成逻辑.
结论:
- BGC-MAC和BGC-MAP为BGC注释提供了一个数据驱动,可解释的AI框架.
- 这些模型加深了生物合成的洞察力,并加速了新型自然产品的发现.
- 开发的软件是公开可用的,以促进研究.
更多相关视频
09:08From a Natural Product to Its Biosynthetic Gene Cluster: A Demonstration Using Polyketomycin from Streptomyces diastatochromogenes Tü6028
Published on: January 13, 2017
07:59A High-Yield Streptomyces Transcription-Translation Toolkit for Synthetic Biology and Natural Product Applications
Published on: September 10, 2021
相关概念视频
Synthetic Biology
Golden rice
Golden rice is a genetically modified...
Biosynthesis in Bacteria
Genome Annotation and Assembly
Evolutionary Relationships through Genome Comparisons
Protein Networks
These interactions can be represented through maps depicting protein-protein interaction networks, represented as nodes and edges. Nodes are circles that are representative of a protein,...
Predicting Products: Substitution vs. Elimination
The following factors can influence the mechanisms competing against each other:
