深度胶囊神经网络：通过序列到图像的转换技术提取局部嵌入特征，用于识别抗癌肽

《BMC Biology》：Deep capsule neural network for identifying anticancer peptides using sequence to image transformation-based local embedded features

抗肿瘤多肽 capsnet 模型特征整合 shuffled frog leaping 算法

　　

摘要

背景

在全球范围内，癌症是一个重大的健康问题，对人类健康构成了严重威胁。传统的治疗方法和基于实验室的技术已被广泛用于治疗受癌症影响的细胞。然而，这些方法的高处理成本和副作用仍然限制了它们的有效性。在过去的十年中，抗癌肽（ACPs）领域取得了显著进展，为开发副作用较低的可靠抗癌药物提供了有希望的替代方案。

结果

在本文中，我们提出了一个有效的模型pACP-CapsNet，用于准确识别抗癌肽（ACPs）。输入序列通过SMR和RECM转换为结构和局部替换基图像。随后，对获得的二维图像应用HOG、DWT和CLBP变换，以生成新的特征空间，包括RECM_DCT、DWT_SMR、HOG_SMR和RECM_CLBP。这些提取的描述符被串联集成，以克服单个描述符的局限性。此外，还使用了随机青蛙跳跃算法从集成混合向量中选择高排名特征。使用SFLA特征训练了多种深度学习模型，其中胶囊神经网络（CapsNet）取得了更高的预测率。所提出的pACP-CapsNet使用训练样本获得了97.0%的准确率和0.98的AUC。进一步的验证表明，pACP-CapsNet的性能优于现有模型，在ACP240和ACP740测试集上分别提高了约3%和4%。

结论

pACP-CapsNet模型的效率和稳定性得到了验证，这凸显了它作为学术研究、药物诊断和药物设计中宝贵工具的潜力。