.png){kind=icon}
返回
CPPCGM: A Highly Efficient Sequence-Based Tool for Simultaneously Identifying and Generating Cell-Penetrating Peptides
.png){kind=icon}
PRE
AI
DOI：10.1021/acs.jcim.5c00199.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
细胞穿透肽（CPPs）通常是含有5-30个氨基酸残基的短寡肽。CPPs已被证明可通过不同机制作为重要的细胞内药物递送载体，显示出其作为治疗候选物的潜力。然而，CPPs的实验筛选与合成可能耗时且昂贵。近期，已有多项尝试致力于开发计算方法，作为一种经济高效的潜在CPP候选物筛选途径。尽管取得了显著进展，但当前方法在特征表示能力上存在局限，从而限制了进一步性能提升的潜力。本研究开发了一种名为CPPCGM的深度学习框架，该框架利用蛋白质语言模型（PLMs）来识别和生成新型CPPs。该框架包含两个独立模块：CPPClassifier和CPPGenerator。前者利用三个预训练模型进行简单投票，从而准确分类CPPs与非CPPs；后者类似于生成对抗网络，包含判别器和生成器，能够生成训练数据集中不存在的肽段。我们提出的CPPCGM在基于分类结果的三组数据集上，均获得了0.876、0.923和0.664的显著高的马修斯相关系数（MCC）得分。与当前最先进的方法相比，本方法性能显著提升。结果还通过生成样本的定性与定量评估，展示了CPPCGM的生成潜力。值得注意的是，基于PLM的方法能够优化肽段以适应生化功能，从而促进药物递送与生物医学应用。相关材料公开可访问https://github.com/QiufenChen/CPPCGM。
Keyword:
PREDICTION
HALLMARKS
PROTEINS
CANCER
期刊
IF:
5.3
论文数:
9.1K
被引数:
4.0W
机构
暂无机构信息
引用论文
SignalP 5.0 improves signal peptide predictions using deep neural networksSignalP 5.0使用深度神经网络改善信号肽预测.png)
NATURE BIOTECHNOLOGY
NATURE BIOTECHNOLOGYIF41.7
PREAI
分享收藏分享收藏Efficient intracellular delivery of proteins by a multifunctional chimaeric peptide in vitro and in vivo通过多功能嵌合肽在体外和体内有效的蛋白质细胞内递送NATURE COMMUNICATIONS
OAAI
NATURE COMMUNICATIONSIF15.7
OAAI分享收藏Deep-learning based bioactive therapeutic peptides generation and screening基于深度学习的生物活性治疗肽的生成与筛选
OAAI
IF0
OAAI分享收藏
查看更多内容