词嵌入与深度学习技术高效融合用于抗癌肽分类：FastText+BiLSTM
机器学习
2023-09-22 v1 人工智能
计算工程、金融与科学
摘要
抗癌肽（ACPs）是一类具有抗肿瘤特性的肽。由于ACPs具有更高的选择性和安全性，其在癌症预防中的利用可作为传统癌症疗法的可行替代。近期的科学进展引发了对肽基疗法的兴趣，其优势在于能有效治疗靶细胞而不对正常细胞产生负面影响。然而，随着肽序列数量持续快速增长，开发可靠且精确的预测模型成为一项挑战性任务。本工作中，我们的动机是推进一种高效的抗癌肽分类模型，采用词嵌入与深度学习模型的融合。首先，评估Word2Vec与FastText作为提取肽序列的词嵌入技术。随后，将词嵌入模型的输出输入至深度学习方法CNN、LSTM、BiLSTM中。为证明所提框架的贡献，在文献中广泛使用的数据集ACP250与Independent上进行了大量实验。实验结果表明，与现有最优研究相比，所提模型的使用提升了分类准确率。所提组合FastText+BiLSTM在ACP250数据集上达到92.50%的准确率，在Independent数据集上达到96.15%的准确率，从而确立了新的最优结果（SOTA）。
引用
@article{arxiv.2309.12058,
title = {An Efficient Consolidation of Word Embedding and Deep Learning Techniques for Classifying Anticancer Peptides: FastText+BiLSTM},
author = {Onur Karakaya and Zeynep Hilal Kilimci},
journal= {arXiv preprint arXiv:2309.12058},
year = {2023}
}