.png){kind=icon}
返回
Multi-view framework for multi-label bioactive peptide classification based on multi-modal representation learning
.png){kind=icon}
PRE
AI
DOI：10.1016/j.asoc.2025.113007.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
生物活性肽的多样性和特定的生物学功能使其成为各种生理过程的关键调节因子，并对新型抗感染药物的开发做出重要贡献。尽管现有的基于图（graph-based）的深度学习方法能够有效构建多标签肽表示，但它们通常难以整合多模态特征表示，并从不同视角提取多尺度特征。为解决这些局限性，我们提出了一种基于多模态表示学习的多标签生物活性肽分类的多视角框架，该框架结合了氨基酸序列和融合分子指纹。肽分子图通过分别提取拓扑信息和节点特征来构建。多视角分支通过开发基于序列和基于图的模型来利用其独特的互补优势。具体而言，利用蛋白质语言模型ESM-2从氨基酸序列中深度提取残基特征。同时，通过滤波响应归一化层（Filter Response Normalization layer）和阈值线性单元（Thresholded Linear Unit）学习分子指纹的局部特征。与此同时，创新性地采用Mamba模块来提取长程依赖关系并降低时间复杂度。与当前最优模型相比，我们的模型在多标签生物活性肽预测任务中表现出显著增强且稳健的性能，在MFBP数据集上实现了82.5%的覆盖度、80.9%的精确率和80.3%的准确率。此外，可视化分析表明，该模型能够有效捕获多视角特征，并通过决策过程凸显模型的可解释性。
Keyword:
Bioactive peptides
Multi-modal representation learning
Protein language model
Feature extraction and fusion
Mamba
期刊
IF:
6.6
论文数:
1.4W
被引数:
4.8W
机构
引用论文
.png){kind=icon}
查看更多内容