LMPred_AMP_Prediction

LMPRED: Vorhersage antimikrobieller Peptide mithilfe von vorübergehenden Sprachmodellen und tiefem Lernen

Jetzt veröffentlicht in Oxford Academic - Bioinformatik Fortschritte

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

Abstrakt

Antimikrobielle Peptide (AMPs) werden in Bereichen wie Krebstherapie und Bluthochdruck zunehmend für die Entwicklung neuer therapeutischer Medikamente eingesetzt. Darüber hinaus werden sie aufgrund des zunehmenden Auftretens von Bakterienresistenz als Alternative zu Antibiotika angesehen. Die experimentelle Identifizierung von Wetlaboratory ist jedoch sowohl zeitaufwändig als auch kostspielig, sodass in den Silico-Modellen heute üblicherweise verwendet werden, um neue Amp-Kandidaten zu überprüfen. In diesem Artikel wird ein neuartiger Ansatz zur Erstellung von Modelleingaben vorgeschlagen. Verwenden von vorgebliebenen Sprachmodellen zur Erzeugung kontextualisierter Einbettungen, die die Aminosäuren in jeder Peptidsequenz darstellen, bevor ein Faltungsnetz als Klassifizierung geschult wird. Das optimale Modell wurde auf zwei Datensätzen validiert, die zuvor in der AMP -Vorhersageforschung und in einem unabhängigen Datensatz verwendet wurden, das von diesem Artikel erstellt wurde. Vorhersagegenauigkeiten von 93,33% und 88,26% wurden jeweils erreicht, was alle früheren Klassifizierungsmodelle übertroffen hat.

Dateien hochgeladen:

• LM_PRED_DATASET -Ordner enthält das Trainings-, Validierungs- und Testsatz unabhängig voneinander und verwendet im Forschungsarbeit als "LMPRED" -Datensatz.
• 1_create_word_embeddings.ipynb zeigt ein Beispiel für das Erstellen von Emetten mithilfe der vorgebreiteten Sprachmodelle (in diesem Fall T5xl UNIREF50), die Aminosäuresequenzen von AMPs und Nicht-AMPs und ausgabebedingende Vektoreinbettungen eingibt.
• 2_build_cnn_model.ipynb zeigt, wie die Faltungsmodelle für neuronale Netzwerke erstellt wurden, die das Wort eingebettete Vektoren verwendeten, um Peptidsequenzen zu klassifizieren.
• 3_testing_models.ipynb zeigt die Tests der erstellten Modelle auf den unsichtbaren Testdaten. Daten aus externen Webservermodellvorhersagen werden integriert.

Sprachmodelle - Zitat

• Diese Arbeit wäre ohne die Verwendung der von Elnaggar et al. Produzierten vorgeborenen Sprachmodelle nicht möglich gewesen. Weitere Informationen zu dieser Forschung finden Sie weiter unten.

Externe Forschung:

Juli 2020: Prottrans: Um die Sprache des Lebenscode durch selbstversorgunges Lernen zu knacken. Vordruck, Bioinformatik. Elnaggar, A., M. Heinzinger, C. Dallago, G. Rehawi, Y. Wang, L. Jones, T. Gibbs, T. Feher, C. Angerer, M. Steinegger, D. Bhowmik und B. Rost (2020, Juli). https://www.biorxiv.org/content/10.1101/2020.07.12.199554v1.full.pdf

Update: July 2021: ProtTrans: Towards Cracking the Language of Life's Code Through Self-Supervised Deep Learning and High Performance Computing Elnaggar, Ahmed and Heinzinger, Michael and Dallago, Christian and Rehawi, Ghalia and Yu, Wang and Jones, Llion and Gibbs, Tom and Feher, Tamas and Angerer, Christoph and Steinegger, Martin and Bhowmik, Debsindhu and Rost, Burkhard https://ieeexplore.ieee.org/abstract/document/9477085

Prottrans GitHub: https://github.com/agemagician/Prottrans