.png){kind=icon}
返回
Optimizing lipocalin sequence classification with ensemble deep learning models
.png){kind=icon}
OA
AI
DOI：10.1371/journal.pone.0319329.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
深度学习（DL）已成为生物序列识别和分类的有力工具。然而，传统的单架构模型往往面临预测性能不佳和高计算成本的问题。为解决这些挑战，我们提出了EnsembleDL-Lipo，一种创新的集成深度学习框架，该框架结合卷积神经网络（CNNs）和深度神经网络（DNNs）以增强脂钙蛋白序列的识别。脂钙蛋白（Lipocalins）是多功能细胞外蛋白，参与多种疾病和应激反应，其序列相似性低且出现在序列比对的“黄昏区”，给准确分类带来了显著障碍。这些挑战需要高效的计算方法来补充传统、费力的实验方法。EnsembleDL-Lipo通过利用基于位置特异性得分矩阵（PSSM）的特征来训练大规模深度学习模型，克服了这些问题。该框架整合了源自PSSMs的多种特征表示，优化了不同序列模式的分类性能。模型在训练数据集上取得了优异结果，准确率（ACC）为97.65%，召回率为97.10%，马修斯相关系数（MCC）为0.95，曲线下面积（AUC）为0.99。在独立测试集上的验证进一步证实了模型的鲁棒性，获得了ACC为95.79%，召回率为90.48%，MCC为0.92，AUC为0.97。这些结果表明，EnsembleDL-Lipo是脂钙蛋白序列识别的高效且计算成本低廉的工具，显著优于现有方法，并为生物标志物发现应用提供了巨大潜力。
Keyword:
GELATINASE-ASSOCIATED LIPOCALIN
FAMILY
期刊
IF:
2.6
论文数:
2.6W
被引数:
81.6W
机构
暂无机构信息
引用论文
分享收藏iAFPs-Mv-BiTCN: Predicting antifungal peptides using self-attention transformer embedding and transform evolutionary based multi-view features with bidirectional temporal convolutional networksIafps-mv-bitcn: 使用双向时间卷积网络的基于自注意变换器嵌入和变换进化的多视图特征预测抗真菌肽
PREAI
分享收藏分享收藏The applications of deep learning algorithms on in silico druggable proteins identification深度学习算法在计算机药物蛋白质鉴定中的应用
OAAI
OAAI分享收藏Intelligent computational method for discrimination of anticancer peptides by incorporating sequential and evolutionary profiles information通过整合序列和进化特征信息来区分抗癌肽的智能计算方法
PREAI
分享收藏GSEN: An ensemble deep learning benchmark model for urban hotspots spatiotemporal predictionGSEN: 城市热点时空预测的集成深度学习基准模型.png)
NEUROCOMPUTING
NEUROCOMPUTINGIF6.5
PREAI
分享收藏Maximizing lipocalin prediction through balanced and diversified training set and decision fusion
PREAI
分享收藏
查看更多内容