集成可解释的多特征和多损失函数,通过数据集构建来进行多功能治疗预测

科学领域:

• 药物的发现和开发.
• 生物信息学是一种生物信息学.
• 医学中的人工智能

背景情况:

• 多功能治疗性 (MFTP) 在药物开发中至关重要,具有抗癌和抗炎性质.
• 目前对MFTP的AI预测器通常依赖于潜在的序列特征,忽视物理化学模式,并与不平衡的数据集扎.

研究的目的:

• 开发一个先进的AI模型,MFTP-MFML,用于准确识别MFTP.
• 通过整合可解释的多个特征和损失函数来克服现有方法的局限性.

主要方法:

• 使用了BiLSTM网络,用于隐藏序列表示的位置嵌入.
• 集成的物理化学属性来补充序列信息,以加强分类.
• 采用集成损失函数,将焦点损失,二进制交叉和子损失结合起来,以解决类不平衡和标签相关性.
• 构建了一个多样化的基准数据集,MFTP-Mixed-90,具有27个治疗性功能.

主要成果:

• 与现有方法相比,MFTP-MFML在PrMFTP和MFTP-Mixed-90数据集上表现出更高的性能.
• 该模型有效地利用集成功能和损失函数来改进MFTP识别.
• 实验结果验证了拟议方法在增强治疗性预测方面的有效性.

结论:

• 在识别多功能治疗中,MFTP-MFML提供了显著的进展.
• 多种特征和量身定制的损失功能的集成为治疗性预测提供了一个强大的框架.
• 开发的模型和数据集是公开可用的,以促进药物发现的进一步研究.