
-
生物通官微
陪你抓住生命科技
跳动的脉搏
CKAN-ATHP:一种基于样本增强与损失改进策略的预测模型,利用卷积型Kolmogorov–Arnold网络用于预测降压肽
《Journal of Cheminformatics》:CKAN-ATHP: a predictor for antihypertensive peptides based on sample augmentation and loss improvement strategies using the convolutional Kolmogorov–Arnold network
【字体: 大 中 小 】 时间:2026年03月09日 来源:Journal of Cheminformatics 7.9
编辑推荐:
摘要降压肽是一种通过酶解、发酵或化学合成从食物或生物蛋白中提取的短链肽,已被证明具有显著的降压效果。这类肽主要通过抑制血管紧张素转换酶、调节肾素-血管紧张素系统以及增强内皮细胞中的一氧化氮生成来发挥作用。由于其高生物活性和安全性,降压肽在功能食品和药物研究领域受到了广泛关注。在本
降压肽是一种通过酶解、发酵或化学合成从食物或生物蛋白中提取的短链肽,已被证明具有显著的降压效果。这类肽主要通过抑制血管紧张素转换酶、调节肾素-血管紧张素系统以及增强内皮细胞中的一氧化氮生成来发挥作用。由于其高生物活性和安全性,降压肽在功能食品和药物研究领域受到了广泛关注。在本研究中,我们提出了CKAN-ATHP这一预测框架,该框架整合了三种预训练编码器——DistilProtBert、PubChem10M和Prot-T5——以有效表示肽序列。为解决数据不平衡问题并提升模型泛化能力,我们在特征空间中采用了样本增强策略。随后,我们构建了卷积Kolmogorov–Arnold网络,并使用结合了标签平滑处理、Kullback–Leibler散度和交叉熵损失的混合损失函数对其进行了优化。基准实验表明,在类别不平衡的情况下,CKAN-ATHP的表现始终优于七种现有的先进方法,在MCC指标上提升了12–24%,在BACC指标上提升了5–15%,同时保持了良好的ACC和AUC性能。案例研究及核密度估计分析进一步证明了该框架的稳健性和区分能力。所有数据和代码均可在https://github.com/Njq0104/CKAN-ATHP获取。
CKAN-ATHP将蛋白质语言模型嵌入与化学分子描述符相结合,并利用CKAN网络捕捉类别不平衡条件下的非线性序列特征,从而实现高效且稳健的降压肽预测,同时研究表明肽序列中的4-7号残基对肽的识别起着关键作用。
生物通微信公众号