【大模型多肽发现、学习笔记】AI4AMP——预测AMP的深度学习工具

文献链接：https://journals.asm.org/doi/10.1128/mSystems.00299-21

doi：10.1128/mSystems.00299-21

摘要

AMPs（Antimicrobial Peptides）潜在的抗菌特性近期受到了广大药物发现领域的学者的高度关注。然而，使用湿实验（wet-lab）筛选方法研发AMP的低效性和高花费是一个严峻的问题。因此，作者结合优秀的AMP数据集和深度学习开发了一种蛋白质编码方法，AI4AMP，它可以根据给定蛋白质序列预测AMP并且对蛋白质组进行筛选。

---

数据集

文章工作中使用了4个databases——APD3、LAMP、CAMP3和DRAMP。除去含有非常规氨基酸和长度短于10aa的，再筛选出重复的后，总共获得了6623个肽序列。对于non-AMP数据，其主要由真实世界中的肽（取自UniProt database）和人工合成的肽序列组成，最终也是获得了6623个肽序列。

---

实验方法

一、PC6编码方案

其核心是对每一个氨基酸的相关物理化学特性进行词嵌入（word embedding），得到一个矩阵，它每一行代表一个氨基酸的6个物理化学特征的值（经过归一化处理后的）。同时还使用6个值都为0的“X”做填充（padding）。最终得到一个200×6的矩阵（如下图A）。

补充说明，本文使用的6个化学特征分别为

• hydrophobicity（H1）
• the volume of side chains（V）
• Polarity（Pl）
• pH at the isoelectric point（pI）
• the dissociation constant for the COOH group（pKa）
• the net charge index of the side chain（NCI）

二、深度神经网络模型

本文的模型为NLP模型，由一层CNN、一层LSTM和一层全连接层组成（如上图B）。CNN层使用了64个包含16单元的过滤器（filter），然后使用矫正的线性激活函数接入LSTM。这里还使用Adam优化器，其学习率为0.0003。

三、模型评估

本文工作使用的评估指标为Accuracy、Precision、Sensitivity、Specificity、F1 score和MCC（Matthew correlation coefficient）。