换一批摘要提出了一种基于改进Transformer架构的深度学习模型,用于预测促炎肽,以解决传统实验方法周期长及特征表征不足的问题.模型通过整合多维度3-mer特征编码,构建改进的Transformer深度学习框架,基于去冗余数据集的五折交叉验证表明,改进模型在关键性能指标上显著优于基准方法MultiFeatVotPIP:准确率(ACC)提升11.4%至76.9%,曲线下面积(AUC)提高12.2%至80.8%.特征分析验证了3-mer特征在捕捉局部残基模式和跨域相互作用中的优势,为高通量促炎肽筛选和炎症疾病机制研究提供了新工具和新思路.
更多相关知识
关键词
Transformer促炎肽深度学习3-mer特征编码TransformerPro-inflammatory peptidesDeep learning3-merFeature encoding
栏目名称
DOI
10.16644/j.cnki.cn33-1094/tp.2025.04.003
发布时间
2025-04-29（万方平台首次上网日期，不代表论文的发表时间）
- 浏览1
- 被引1
- 下载2
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
