清晨好,您是今天最早来到科研通的研友!由于当前在线用户较少,发布求助请尽量完整地填写文献信息,科研通机器人24小时在线,伴您科研之路漫漫前行!

BERT-HemoPep60: Transformer-based Deep Learning Method with Domain-Adaptive Pretraining for Quantitative Hemolytic Activity Prediction of Peptides

人工智能 深度学习 计算机科学 模式识别(心理学) 人工神经网络 机器学习 特征提取 医学 深层神经网络 反向传播
作者
Jianxiu Cai,Jielu Yan,G. Dhamodharan,Pratiti Bhadra,Chon-Wai Un,Xu Yang,Yapeng Wang,Shirley W. I. Siu
出处
期刊:IEEE Journal of Biomedical and Health Informatics [Institute of Electrical and Electronics Engineers]
卷期号:PP: 1-12 被引量:2
标识
DOI:10.1109/jbhi.2026.3717818
摘要

Peptides have emerged as a promising alternative to traditional small-molecule drugs and therapeutic proteins for treating various diseases. However, their potential therapeutic use is often limited by their inherent hemolytic activity. Consequently, quantitative assessment of peptide toxicity against human red blood cells (RBCs) is crucial for peptide research. Here we present BERT-HemoPep60, a transformer-based deep learning method using domain-adaptive pretraining (DAPT) to quantitatively predict the hemolytic activity of peptides toward human RBCs for sequences up to 60 amino acids. Our prefix-prompt approach integrates experimental hemolysis data from six common mammalian species (human, mouse, rat, horse, sheep, rabbit) across multiple hemolytic measures (HC$_{5}$, HC$_{10}$, HC$_{50}$). In a comprehensive evaluation using five-fold cross-validation, our model achieved PCC values of 0.7431, 0.8088, and 0.7606 for HC$_{5}$, HC$_{10}$, and HC$_{50}$ predictions, respectively. These results outperform traditional machine learning and deep learning models based on various sequence encoding methods. BERT-HemoPep60 enables accurate estimation of peptide hemolytic activity for drug research.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
2秒前
8秒前
刻苦续完成签到,获得积分10
15秒前
17秒前
ZXneuro完成签到,获得积分10
23秒前
23秒前
TingtingGZ发布了新的文献求助10
28秒前
在水一方的应助被WebCasa采纳,获得50
35秒前
37秒前
45秒前
53秒前
57秒前
小巧慕儿完成签到,获得积分10
1分钟前
动听的山槐完成签到,获得积分10
1分钟前
1分钟前
Criminology34的应助被科研通管家采纳,获得10
1分钟前
Criminology34的应助被科研通管家采纳,获得10
1分钟前
Criminology34的应助被科研通管家采纳,获得10
1分钟前
小二郎的应助被科研通管家采纳,获得10
1分钟前
Criminology34的应助被科研通管家采纳,获得10
1分钟前
1分钟前
华仔的应助被xun采纳,获得10
1分钟前
1分钟前
正直的剑愁完成签到,获得积分10
1分钟前
WebCasa发布了新的文献求助50
1分钟前
2分钟前
2分钟前
sshh123发布了新的文献求助60
2分钟前
2分钟前
美丽代桃完成签到,获得积分10
2分钟前
iman完成签到,获得积分10
2分钟前
xun发布了新的文献求助10
2分钟前
2分钟前
TingtingGZ发布了新的文献求助10
2分钟前
李pp关注了科研通微信公众号
2分钟前
2分钟前
故意的丹萱完成签到,获得积分10
2分钟前
2分钟前
xun完成签到,获得积分20
2分钟前
充电宝的应助被兰斯洛特117采纳,获得10
2分钟前
高分求助中
(应助此贴封号)【重要!!请各用户(尤其是新用户)详细阅读】【科研通的精品贴汇总】 10000
拉伸高分子熔体中缠结行为的模拟和小角中子散射研究 1700
The World Atlas of Wine 9th edition 1000
奈特基础组织学:配套组织病理学(第4版)(Netter's Essential Histology With Correlated Histopathology) 800
John McDowells Bildungstheorie 800
八旗制度の研究 600
plantTFDB 508
热门求助领域 (近24小时)
化学 材料科学 医学 生物 纳米技术 计算机科学 工程类 有机化学 化学工程 生物化学 物理 复合材料 内科学 催化作用 光电子学 人工智能 细胞生物学 无机化学 物理化学 数学
热门帖子
关注 科研通微信公众号,转发送积分 8173194
求助须知:如何正确求助?哪些是违规求助? 9565558
关于积分的说明 21780461
捐赠科研通 7767279
什么是DOI,文献DOI怎么找? 3431542
关于科研通互助平台的介绍 2555697
邀请新用户注册赠送积分活动 2476682