LMPred_AMP_Prediction

LMPRED: прогнозирование антимикробных пептидов с использованием предварительно обученных языковых моделей и глубокого обучения

В настоящее время опубликовано в Oxford Academic - Bioinformatics Advances

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

Абстрактный

Антимикробные пептиды (AMP) все чаще используются при разработке новых терапевтических препаратов, в таких областях, как терапия рака и гипертония. Кроме того, они рассматриваются как альтернатива антибиотикам из -за растущего возникновения устойчивости бактерий. Владнолабораторная экспериментальная идентификация, однако, занимает много времени, так и дорогостоящее, поэтому модели в силико в настоящее время обычно используются для скрининга новых кандидатов на AMP. В этой статье предлагается новый подход создания модельных входов; Используя предварительно обученные языковые модели для создания контекстуализированных встраиваний, представляющих аминокислоты в каждой пептидной последовательности, до того, как сверточная нейронная сеть затем обучается в качестве классификации. Оптимальная модель была проверена на двух наборах данных, которые были ранее использованы в исследовании прогнозирования AMP, и независимый набор данных, созданный в этой статье. Прогнозирующая точность 93,33% и 88,26% была достигнута соответственно, превосходя все предыдущие современные модели классификации.

Загружены файлы:

• Папка LM_PRED_DATASET содержит набор обучения, проверки и тестирования независимо и используется в исследовательской статье в качестве набора данных «LMPRED».
• 1_CREATE_WORD_EMBEDDINGS.IPYNB показывает пример того, как создавать встраивания с использованием предварительно обученных языковых моделей (в данном случае T5XL UNIREF50), вводя аминокислотные последовательности AMP и не AMPS и вывода векторизованных встраиваний.
• 2_build_cnn_model.ipynb показывает, как были созданы модели сверточной нейронной сети, в которых использовались слово «Встроенные векторы» для классификации пептидных последовательностей.
• 3_testing_models.ipynb показывает тестирование встроенных моделей на невидимых тестовых данных. Данные из предсказаний внешней модели веб -сервера включены.

Языковые модели - цитирование

• Эта работа была бы невозможна без использования предварительно обученных языковых моделей, созданных исследованием Elnaggar et al.. Пожалуйста, смотрите ниже для более подробной информации об этом исследовании.

Внешнее исследование:

Июль 2020: Prottrans: к взлому языка кода жизни через самоотверженное обучение. Препринт, биоинформатика. Elnaggar, A., M. Heinzinger, C. Dallago, G. Rehawi, Y. Wang, L. Jones, T. Gibbs, T. Feher, C. Angerer, M. Steinegger, D. Bhowmik и B. Rost (2020, июль). https://www.biorxiv.org/content/10.1101/2020.07.12.199554v1.full.pdf

Обновление: июль 2021 года: Prottrans: к взлому языка кода жизни через самоотверженное глубокое обучение и высокопроизводительные вычисления Элнаггара, Ахмеда и Хайнсингера, Майкла и Даллаго, Кристиана и Рехави, Галии и Ю, Ван и Джонса, Л.Л. и Гиббса, Тома и Фехера, Тамаса и Анжере, Христоф и Стейнеггера, Мартин и Биндма, и Биндма, и Биндма, и Биндха, и Анжере, Христоф и Стейне. Burkhard https://ieeexplore.ieee.org/abstract/document/9477085

Prottrans github: https://github.com/agemagian/prottrans