AVP-Pro：面向全面两阶段抗病毒肽识别的自适应多模态融合与对比学习方法
机器学习
2026-01-19 v1
摘要
准确识别抗病毒肽（AVP）对于新药研发至关重要。然而，现有方法在捕捉复杂序列依赖关系和区分具有高相似度的易混淆样本方面仍存在局限性。为了应对这些挑战，我们提出了 AVP-Pro，这是一种融合了自适应特征融合与对比学习的新型两阶段预测框架。为了全面捕捉肽序列的理化性质和深层模式，我们构建了一个包含 10 种不同描述符的全景特征空间，并设计了一种分层融合架构。该架构集成了自注意力机制和自适应门控机制，能够基于序列上下文动态调节由 CNN 提取的局部基序权重和由 BiLSTM 捕获的全局依赖权重。针对正负样本序列高相似性导致的模糊决策边界问题，我们采用了一种由 BLOSUM62 增强的在线困难样本挖掘（OHEM）驱动的对比学习策略。该方法显著提升了模型的判别能力。模型评估结果表明，在通用 AVP 识别的第一阶段，该模型达到了 0.9531 的准确率和 0.9064 的 MCC，优于现有的最先进（SOTA）方法。在功能亚型预测的第二阶段，结合迁移学习策略，该模型在小样本条件下实现了对 6 个病毒科和 8 种特定病毒的准确分类。AVP-Pro 为抗病毒药物的高通量筛选提供了一个强大且可解释的新工具。为了进一步提升用户的可及性，我们开发了一个用户友好的网络界面，可在 https://wwwy1031-avp-pro.hf.space 获取。
引用
@article{arxiv.2601.11028,
title = {AVP-Pro: An Adaptive Multi-Modal Fusion and Contrastive Learning Approach for Comprehensive Two-Stage Antiviral Peptide Identification},
author = {Xinru Wen and Weizhong Lin and zi liu and Xuan Xiao},
journal= {arXiv preprint arXiv:2601.11028},
year = {2026}
}
备注
arXiv admin note: substantial text overlap with arXiv:2512.21544