NetBCE: An Interpretable Deep Neural Network for Accurate Prediction of Linear B-cell Epitopes.
NetBCE: An Interpretable Deep Neural Network for Accurate Prediction of Linear B-cell Epitopes.
复制标题
DOI：
10.1016/j.gpb.2022.11.009
复制
发表时间：
2022-10
影响因子：
9.5
通讯作者：
Zhao, Zhongming
中科院分区：
文献类型：
--
作者：
Xu, Haodong;Zhao, Zhongming
B细胞表位（BCEs）的鉴定在肽疫苗和免疫诊断试剂的开发以及抗体的设计和生产中起着至关重要的作用。在这项工作中，我们生成了一个大型基准数据集，包括来自超过130万个B细胞测定的3567个蛋白质簇中的124，879个实验支持的线性含表位区域。对这一数据集的分析显示，病原体的多样性很大，涵盖了176个不同的家族。线性BCE预测的准确性被发现强烈不同的功能，而所有的序列衍生和结构特征的信息。为了寻找更有效和解释性的特征表示，开发了一个用于线性BCE预测的十层深度学习框架，即NetBCE。NetBCE通过自动学习信息分类特征，在五重交叉验证中实现了高准确性和鲁棒性，平均曲线下面积（AUC）值为0.8455。NetBCE的表现大大优于传统的机器学习算法和其他工具，与使用独立数据集的其他工具相比，AUC值提高了22.06%以上。通过研究NetBCE中重要网络模块的输出，表位和非表位倾向于呈现在不同的区域中，并沿沿着网络层层次结构进行有效的特征表示。NetBCE可在https://github.com/bsml320/NetBCE上免费获得。
Identification of B-cell epitopes (BCEs) plays an essential role in the development of peptide vaccines and immuno-diagnostic reagents, as well as antibody design and production. In this work, we generated a large benchmark dataset comprising 124,879 experimentally supported linear epitope-containing regions in 3567 protein clusters from over 1.3 million B cell assays. Analysis of this curated dataset showed large pathogen diversity covering 176 different families. The accuracy in linear BCE prediction was found to strongly vary with different features, while all sequence-derived and structural features were informative. To search more efficient and interpretive feature representations, a ten-layer deep learning framework for linear BCE prediction, namely NetBCE, was developed. NetBCE achieved high accuracy and robust performance with the average area under the curve (AUC) value of 0.8455 in five-fold cross-validation through automatically learning the informative classification features. NetBCE substantially outperformed the conventional machine learning algorithms and other tools, with more than 22.06% improvement of AUC value compared to other tools using an independent dataset. Through investigating the output of important network modules in NetBCE, epitopes and non-epitopes tended to be presented in distinct regions with efficient feature representation along the network layer hierarchy. The NetBCE is freely available at https://github.com/bsml320/NetBCE.
登录
查看更多内容
DOI：
10.1093/bioinformatics/bts565
发表时间：
2012-12-01
期刊：
Bioinformatics (Oxford, England)
影响因子：
--
作者：
Fu L;Niu B;Zhu Z;Wu S;Li W
通讯作者：
Li W
影响因子：
14.9
作者：
Geer LY;Marchler-Bauer A;Geer RC;Han L;He J;He S;Liu C;Shi W;Bryant SH
通讯作者：
Bryant SH
HybridSucc：用于一般和物种特异性琥珀酰化位点预测的混合学习架构
DOI：
10.1016/j.gpb.2019.11.010
发表时间：
2020-04
期刊：
Genomics, proteomics & bioinformatics
影响因子：
--
作者：
Ning W;Xu H;Jiang P;Cheng H;Deng W;Guo Y;Xue Y
通讯作者：
Xue Y
影响因子：
5.5
作者：
Alix, AJP
通讯作者：
Alix, AJP
影响因子：
2.7
作者：
El-Manzalawy, Yasser;Dobbs, Drena;Honavar, Vasant
通讯作者：
Honavar, Vasant