الصفحة الرئيسية>المتعلقة بالبرمجة>كود الذكاء الاصطناعي
تنزيل

LMPRED: التنبؤ الببتيدات المضادة للميكروبات باستخدام نماذج اللغة التي تم تدريبها مسبقًا والتعلم العميق

نشرت الآن في أوكسفورد الأكاديمية - تقدم المعلوماتية الحيوية

https://academic.oup.com/BioInformaticsadvices/article/2/1/vbac021/6561563

خلاصة

يتم استخدام الببتيدات المضادة للميكروبات (AMPs) بشكل متزايد في تطوير الأدوية العلاجية الجديدة ، في مناطق مثل علاج السرطان وارتفاع ضغط الدم. بالإضافة إلى ذلك ، يُنظر إليهم كبديل للمضادات الحيوية بسبب زيادة المقاومة البكتيرية. ومع ذلك ، فإن التعرف التجريبي الرطب على حد سواء يستغرق وقتًا طويلاً ومكلفًا ، لذلك يتم استخدام النماذج الموجودة في السيليكو بشكل شائع من أجل فحص مرشحين AMP الجدد. تقترح هذه الورقة نهجًا جديدًا لإنشاء مدخلات نموذجية ؛ باستخدام نماذج اللغة التي تم تدريبها مسبقًا لإنتاج التضمينات السياقية التي تمثل الأحماض الأمينية داخل كل تسلسل الببتيد ، قبل أن يتم تدريب شبكة عصبية تلافيفية على أنها التصنيف. تم التحقق من صحة النموذج الأمثل على مجموعتي بيانات ، حيث يتم استخدامه مسبقًا في أبحاث التنبؤ AMP ، ومجموعة بيانات مستقلة ، تم إنشاؤها بواسطة هذه الورقة. تم تحقيق الدقة التنبؤية البالغة 93.33 ٪ و 88.26 ٪ على التوالي ، تفوقت على جميع نماذج التصنيف الحديثة السابقة.

تم تحميل الملفات:

  • يحتوي مجلد LM_PRED_DATASET على التدريب والتحقق من الصحة واختباره بشكل مستقل ويستخدم في ورقة البحث كمجموعة بيانات "LMPRED".
  • 1_create_word_embeddings.ipynb يعرض مثالًا على كيفية إنشاء التضمينات باستخدام نماذج اللغة التي تم تدريبها مسبقًا (في هذه الحالة T5XL UNIREF50) ، إدخال تسلسل الأحماض الأمينية من الأمبير وغير AMPs والإخراج المتجانسة.
  • 2_BUILD_CNN_MODEL.IPYNB يوضح كيف تم بناء نماذج الشبكة العصبية التلافيفية التي تستخدم ناقلات تضمين الكلمة من أجل تصنيف تسلسل الببتيد.
  • 3_testing_models.ipynb يوضح اختبار النماذج المبنية على بيانات اختبار الغيب. تم دمج البيانات من تنبؤات نموذج خادم الويب الخارجي.

نماذج اللغة - الاقتباس

  • لم يكن هذا العمل ممكنًا دون استخدام نماذج اللغة التي تم تدريبها مسبقًا التي تنتجها أبحاث Elnaggar et al. يرجى الاطلاع أدناه لمزيد من التفاصيل حول هذا البحث.

البحث الخارجي:

يوليو 2020: Prottrans: نحو تكسير لغة كود الحياة من خلال التعلم الخاضع للإشراف ذاتيًا. preprint ، المعلوماتية الحيوية. Elnaggar ، A. ، M. Heinzinger ، C. Dallago ، G. Reshawi ، Y. Wang ، L. Jons ، T. Gibbs ، T. Feher ، C. Angerer ، M. Steinegger ، D. Bhowmik ، and B. Rost (2020 ، July). https://www.biorxiv.org/content/10.1101/2020.07.12.199554v1.full.pdf

تحديث: يوليو 2021: بروتترانس: نحو تكسير لغة كود الحياة من خلال التعلم العميق الذي تم إشرافه ذاتيا وحساب عالي الأداء Elnaggar ، أحمد وهينزنجر ، مايكل ودالاغو ، كريستيان وريهوي ، غاليا ، يو ، وانغ ، وجونز ، و ". Burkhard https://ieeexplore.ieee.org/abstract/document/9477085

prottrans github: https://github.com/agemagician/prottrans

يوسع
معلومات إضافية
تطبيقات ذات صلة
نوصي لك
أخبار ذات صلة الكل