PepGraphormer:一种ESM-GAT混合深度学习框架,用于抗微生物预测

科学领域:

• 计算生物学是一种计算生物学.
• 生物信息学是一种生物信息学.
• 药物发现 药物发现

背景情况:

• 传统的抗微生物 (AMP) 预测方法与复杂的序列功能关系作斗争.
• 像ESM2这样的大型语言模型 (LLM) 擅长提取深层蛋白序列特征.
• 图形神经网络 (GNN),特别是图形注意力网络 (GAT),捕捉了残余之间的关系.

研究的目的:

• 提出PepGraphormer,一种用于增强AMP预测的新型融合模型.
• 将ESM2的语义特征提取与GAT的结构性学习能力相结合.
• 推进用于治疗性发现的计算方法.

主要方法:

• 用序列和氨基酸作为节点构建一个异质图.
• 利用ESM2进行初始节点嵌入和直接预测.
• 使用GAT来学习基于图形的表示和捕获组合模式.
• 结合ESM2和GAT预测进行最终分类.

主要成果:

• 在多个AMP预测数据集上,PepGraphormer显著超过了最先进的模型.
• 该模型在预测抗微生物方面表现出卓越的准确性和稳定性.
• 废除和泛化实验证实了框架的有效性和稳定性.

结论:

• PepGraphormer通过将LLM和GAT结合起来,为AMP预测提供了一种强大的新方法.
• 该模型有效地捕捉了复杂的序列功能关系,而不需要3D结构信息.
• 这种融合框架为加速新型治疗的发现提供了一个有希望的途径.