【大模型多肽发现、学习笔记】CNN模型——对AMP序列的K-mer分析

文献连接：A CNN-Based K-Mer Classification of Anti-Microbial Peptide Sequences | IEEE Conference Publication | IEEE Xplore

doi：10.1109/ICRITO48877.2020.9198006

摘要

AMPs（Anti-Microbial Peptides）是有机生物天生就可以产生的用于抵抗真菌（fungi）、细菌、病毒和其他病原体（pathogens）的一类多肽。如下图，这些多肽的氨基酸序列可以用一系列英文字母来表示，然后作为NLP（natural language processing）模型的输入来预测多种特性。此文将介绍一种NLP-DL的方法，其把这些英文表示的氨基酸序列切分成K-mers（K=2,3,4），来作为模型的输入预测特征，最终对来自三个物种（动物、植物和细菌）的AMP序列做分类。

---

数据集

本文主要使用的数据集有APD（Anti Microbial Peptide Database）。此数据集包含了来自6个物种的共3160条AMP序列。本次工作使用了其中的2342条动物、352条植物和349条细菌类的AMP序列，据统计，平均AMP序列长度为33.30个氨基酸，标准偏差为22.01个氨基酸。

---

CNN模型

本文使用的模型是一种常见基于CNN的模型，组成顺序如下图所示，

• 输入层为Keras Embedding Layer（size=100×100），使用的词表大小为1001。
• 1-D卷积层，卷积核size=128×5，激活函数为ReLU。其为后面分类工作提供特征图。
• 1-D的Max池化层，从128个特征中的96个值的池化窗口中获取最大值。
• 2层全连接层，第一层使用ReLU函数降维至10，第二层使用Softmax降维至3（即对应3类物种）。

---

实验

 训练集：验证集=80：20，在经历10个epochs的实验测试可得2-mers、3-mers、4-mers分别在3、3、2个epochs后停止训练模型可以防止过拟合（overfitting）。

对于模型在动物、植物和细菌的AMP序列分类的任务，本文使用了Precision、Recall和F-1分数来进行评估，评估结果如下图。结果表示本CNN模型对动物分类的效果最好，主要原因是数据集对于三物种不是均匀分布的。但总而言之，此模型也还是在这种情况下表现得很好。