Jan, 2024

ACP-ESM：一种基于蛋白定向变压器方法的抗癌肽分类的新型框架

PDF
TL;DR提出了一种高效的基于 Transformer 的框架，利用 ESM、ProtBert、BioBERT 和 SciBERT 四种不同的 Transformer 模型从氨基酸序列中检测抗癌肽，实验证明该模型在准确率上优于现有研究，为抗癌肽研究确定了新的最先进水平。
发现论文，激发创造
  • 高效融合词嵌入和深度学习技术用于抗癌肽分类：FastText+BiLSTM

    使用字嵌入和深度学习模型的组合，提出了一种高效的抗癌肽分类模型，实验证明该模型能够提高分类准确性，其中 FastText+BiLSTM 组合在 ACPs250 数据集上达到 92.50% 的准确率，在 Independent 数据集上达到 96.15% 的准确率，创造了新的最先进模型。

    Sep, 2023

  • 基于图形的主动机器学习方法用于生成和选择多样和新颖的抗菌肽

    本篇论文旨在利用一种基于机器学习的框架快速有效地筛选出新的抗菌肽，其中利用了基于循环神经网络和基于图形的过滤器，从而显著减少湿实验的次数和时间成本。

    Sep, 2022

  • 人工智能驱动的抗菌肽发现

    抗菌肽（AMP）和人工智能（AI）在抗菌耐药性方面有着巨大的潜力，提供了一种替代传统抗生素的方法。本文综述了 AI 驱动的 AMP 发现的最新成就，并强调了最激动人心的方向。

    Aug, 2023

  • 基于多模态注意力神经网络的抗癌化合物敏感性预测

    本文提出了一种新颖的基于多模态注意力神经网络（PaccMann）预测抗癌化合物敏感性的方法，集成了化合物的分子结构、癌细胞的转录组文件以及关于细胞内蛋白质相互作用的先前知识，通过用 SMILES 编码的化合物和癌细胞的基因表达谱预测 IC50 敏感性值，其中基因表达谱采用注意力编码机制编码，通过比较我们设计的模型和基准模型，证明了使用我们的注意力编码器可以超越基准模型，增强了可解释性并使我们能够识别网络用于进行预测的基因、键和原子。

    Nov, 2018

  • PepCVAE: 抗微生物肽序列的半监督目标设计

    本论文提出了基于半监督变分自编码器模型的 Peptide Generation Framework（PepCVAE），用于设计新型抗菌肽（AMP）序列，通过大量未标记的肽序列学习一种丰富的生物肽上下文的潜在空间，同时通过 AMP 分类器的反馈学习出一种分离的抗菌属性空间，生成的 AMP 序列表现优于标准 VAE，具有高度多样性，是下一代抗菌设计中非常理想的选择。

    Oct, 2018

  • AMPCliff: 抗微生物肽中活性断崖的定量定义和基准评估

    在这项研究中，我们介绍了一种用于定量化定义和评估抗菌肽中的活性悬崖现象的基准框架 (AMPCliff)，并发现机器学习模型在检测活性悬崖事件方面具有良好性能。

    Apr, 2024

  • BeeTLe: 用于线性 B 细胞表位预测与分类的框架

    提出了一个基于深度学习的多任务框架，用于线性 B 细胞表位预测以及抗体类型特异性表位分类。实验证明了该方法的有效性和卓越的性能。

    Sep, 2023

  • 超越 ESM2: 借助高效聚类的图增强蛋白质序列建模

    本研究使用 ESM2 最先进的蛋白质语言模型，并结合蛋白质家族分类和基于社区传播的聚类算法，改善了全局蛋白质表示和局部氨基酸准确性，从而大幅提升蛋白质表达质量，并在多个下游实验中取得了最先进的结果。

    Apr, 2024

  • 基于图形的深度生成模型用于新型 PROTAC 设计

    通过生成模型和加强学习，我们展示了在缺少数据的情况下，如何基于 PROteolysis TArgeting Chimeras（PROTACs）的特性设计出一类具有卓越的蛋白质降解能力的新型分子。

    Nov, 2022

  • 基于多模态注意力卷积编码器的可解释抗癌化合物敏感性预测

    提出了一种基于多模态注意力卷积编码器的新型架构，用于解释性预测抗癌化合物的敏感性，通过化合物结构，肿瘤基因表达谱和蛋白质相互作用网络中的先前知识进行建模，该模型在多模态药物敏感性预测方面表现出卓越的性能，具有解释性，可以开发个性化治疗方法以及进行候选药物的评估。

    Apr, 2019