DeepQSP: Identification of Quorum Sensing Peptides Through Neural Network Model
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Quorum Sensing Peptides (QSP) are small molecules crucial for microbial communication, enabling bacterial populations to coordinate behaviors such as biofilm formation and virulence. The identification of QSP is vital for understanding these biological processes. While existing clinical and lab-based methods are available, they can be costly and time-consuming. This study introduces DeepQSP, a novel technique for QSP identification, which combines Latent Semantic Analysis (LSA), a word embedding feature extraction method, with classical amino acid-based extraction Pseudo Amino Acid Composition (PAAC), and a convolutional neural network (CNN) classifier. The DeepQSP model was evaluated using a dataset of 440 peptide sequences, achieving impressive performance metrics: 0.9697 accuracy, 0.9655 sensitivity, 0.9730 specificity, and a Matthews correlation coefficient (MCC) of 0.9385. The LSA combined with PAAC improves peptide sequence representation, while the CNN effectively captures complex patterns, leading to accurate QSP identification. These quantified results demonstrate the effectiveness of the DeepQSP method, offering a powerful tool for advancing the study of microbial interaction and quorum sensing. The enhanced identification of QSPs is critical for microbiology and bioengineering, aiding in the understanding of cell-to-cell communication in microorganisms. • This study introduces a novel technique for Quorum sensing Peptides (QSP) identification. • LSA, a word embedding feature extraction method and a CNN method were applied for QSP. • Proposed model achieves remarkable performance metrics. • The enhanced performance: 0.9697 accuracy, 0.9655 sensitivity, 0.9730 specificity, and 0.9385 MCC. • The LSA+PAAC_CNN model performs better than the other applied models used in the study.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle