基于深度学习探究胰蛋白酶催化蛋白质的特异性酶切预测
刘洋1
黄峻洪1
岑幸仪1
肖楚乔2
李谆淳1
陈选3
李桂香1
徐巨才1
刘磊1
1.湖南农业大学园艺学院,湖南 长沙 4101282.五邑大学药学与食品工程学院,广东 江门 5290203.广东工业大学生物医药学院,广东 广州 510006
摘要：胰蛋白酶催化蛋白质的特异性酶切预测对于蛋白质的理论降解和结构分析具有重要意义.该研究采用卷积神经网络和长短期记忆网络构建了一种基于深度学习的胰蛋白酶催化蛋白质酶解预测模型,并探讨了不同超参数对模型性能的影响.结果表明:较低的学习率、较高的Batch size和较浅的卷积层数对模型训练的稳定性和收敛性有利,可保障较好的预测效果,模型的较优工作参数为:学习率 0.001、Batch size 512、卷积层数 1.在此条件下,模型在PXD010627 数据集上的准确率为 0.950、特异性为 0.987、精确度为0.986、召回率为0.961、F1 分数为0.973,显示出良好的预测能力和稳定性.进一步应用于不同物种的公开数据集,模型的准确率均保持在0.920以上,AUC值、精确率、召回率和F1分数均在0.900～0.989之间,说明模型在胰蛋白酶催化蛋白质特异性酶切预测体系中具备较强的泛化能力,可有效提升酶切位点预测的准确性和可靠性.本研究将有望为蛋白质组学鉴定及空间结构分析提供了一种新思路,推动蛋白质酶解研究与生物信息学的发展.
关键词：胰蛋白酶酶切预测深度学习蛋白酶解蛋白质组学
资助基金：国家自然科学基金(32402276)广东省科技创新战略专项市县科技创新支撑(大专项+任务清单)项目(2023780200060009632)广东省基础与应用基础研究基金联合基金青年基金项目(2022A1515110711)广东省百千万工程项目(BQW2024001)
论文发表日期：2025-11-20
在线出版日期：2025-12-26（本平台首次上网日期，不代表文献的发表时间）
页数：9( 68-76 )
英文信息