AIGC動態(tài)歡迎閱讀

原標題：分類性能提高 10%，港中大團隊利用大型蛋白質語言模型發(fā)現(xiàn)未知的信號肽

關鍵字：序列,蛋白質,模型,宏基,方法

文章來源：人工智能學家

內容字數(shù)：4569字

內容摘要：將 ScienceAI設為星標第一時間掌握新鮮的 AI for Science 資訊編輯 | 蘿卜皮信號肽 (SP) 對于跨膜和分泌蛋白靶向并將其轉移到正確位置至關重要。許多現(xiàn)有的預測 SP 的計算工具忽視了極端的數(shù)據(jù)不平衡問題，而依賴于蛋白質的額外組信息。香港中文大學的研究人員開發(fā)了無偏生物體不可知信號肽網(wǎng)絡（Unbiased Organism-agnostic Signal Peptide Network，USPNet），一種 SP 分類和切割位點預測深度學習方法。大量的實驗結果表明，USPNet 的分類性能比之前的方法大幅提高了 10%。USPNet 的 SP 發(fā)現(xiàn)流程旨在從宏基因組數(shù)據(jù)中探索從未見過的 SP。它揭示了 347 個 SP 候選物，這些候選物與訓練數(shù)據(jù)集中最接近的 SP 之間的序列同一性很低，最低僅為 13%。此外，訓練集中候選物和 SP 之間的模板建模分數(shù)大多在 0.…

原文鏈接：點此閱讀原文：分類性能提高 10%，港中大團隊利用大型蛋白質語言模型發(fā)現(xiàn)未知的信號肽

聯(lián)系作者

文章來源：人工智能學家

作者微信：AItists

作者簡介：致力成為權威的人工智能科技媒體和前沿科技研究機構