预测结核菌中与突变相关的多药性耐药性,使用分类门式变压器和关系图卷积网络
Rakesh Chandra Joshi1, Hitesh Reddy Dereddy2, Sandip Mukhopadhyay3
1Amity Centre for Artificial Intelligence, Amity University, Noida, Uttar Pradesh 201313, India.
在结核病 (TB) 中预测多药耐药性至关重要. 一个新的深度学习模型RGTFormer准确地识别了对结核病药物耐药性的突变,有助于个性化治疗策略.
科学领域:
- 基因组学就是基因组学.
- 计算生物学 计算生物学
- 药物耐药性研究 药物耐药性研究
背景情况:
- 结核病 (TB) 构成了重大的全球卫生挑战,因多种药物耐药性增加而加剧.
- 结核病的耐药性往往源于目标基因的特定突变,需要早期预测才能有效治疗.
研究的目的:
- 开发和评估RGTFormer,这是一种用于预测结核病突变驱动药物耐药性的新型深度学习模型.
- 用序列和结构突变数据对现有方法进行模型性能评估.
主要方法:
- 开发了RGTFormer,将一个分类门式变压器与关系图卷积网络 (RGCN) 集成在一起.
- 利用了来自六个关键抗结核病药物耐药性基因突变的序列和结构特征.
- 采用十倍交叉验证和独立测试套件进行严格的评估.
主要成果:
- 通过RGTFormer实现了高精度:98.67%在测试组和97.15%通过交叉验证.
- 该模型的性能优于传统的机器学习和其他深度学习方法.
- 废除研究验证了RGCN和关闭注意力机制的协同贡献.
结论:
- 基于突变,RGTFormer提供了一个可靠,可解释和高效的框架来预测结核病耐药性.
- 该模型显示了个性化结核病治疗和优化耐药菌株药物选择的潜力.
- 来自RGTFormer的生物可解释的预测可以为临床决策提供信息.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
03:37Author Spotlight: Impact of Intergenic Interactions on Disease-Identifying Dark Biomarkers
Published on: March 1, 2024
相关概念视频
Combined Effects of Drugs: Synergism
Such synergistic combinations...
Dosage Regimen Designs: Nomograms and Tabulations
Therapeutic Drug Monitoring: Overview and Classification
Cryptococcal Meningitis
Antifungal Agents
Clinical Significance of Antibiotic Resistance
