用于肽膜渗透性预测的解耦对齐核
机器学习
2025-11-27 v1
摘要
环状肽是靶向细胞内部位的有前景的药物载体，但细胞膜渗透性仍是关键瓶颈，且受限于公共数据的稀缺和需对不确定性进行良好校准的要求。本文提出一种单聚合物感知的解耦全局对齐核（MD-GAK），将化学上有意义的残基-残基相似性与序列对齐相耦合，同时将局部匹配与间隙惩罚解耦。MD-GAK 是一种相对简单的数核方法。为进一步展示我们方法的鲁棒性，我们还引入了一种变体 PMD-GAK，其包含三角形位置先验。我们将在实验部分展示，PMD-GAK 在减少校准误差方面相较于 MD-GAK 具有额外优势。由于我们的关注点是不确定性估计，我们采用高斯过程作为预测模型，因为 MD-GAK 和 PMD-GAK 可直接应用于该框架。我们通过大量实验展示了方法的有效性，将我们可完全可复现的方案与最先进的模型进行比较，并在所有指标上均取得优异表现。
引用
@article{arxiv.2511.21566,
title = {A decoupled alignment kernel for peptide membrane permeability predictions},
author = {Ali Amirahmadi and Gökçe Geylan and Leonardo De Maria and Farzaneh Etminani and Mattias Ohlsson and Alessandro Tibo},
journal= {arXiv preprint arXiv:2511.21566},
year = {2025}
}
备注
submitted to Journal of Cheminformatics