多功能肽预测模型

小样本高精准

通过原型对比学习与特征增强，即使在类别不平衡的数据上也能稳健识别多功能治疗肽。

Wang, Fei · 沈超敏 · 夏俊峰

Interdisciplinary sciences, computational life sciences 2024

技术优势

长尾功能也能识别

通过特征增强策略专注于低频标签，将头部标签的原型知识迁移到尾部标签，生成增强特征用于分类器训练，从而改善对稀有功能的预测。

特征表示更紧凑

采用原型监督对比学习增强特征空间的均匀分布，使同类别样本特征紧密聚集，不同类别特征更加分散，从而提高下游分类准确率。

预测准确率更高

实验证明PSCFA显著优于现有MFTP预测方法，推动了治疗肽识别的显著进步。

应用场景

• 肽类药物发现：从海量序列中快速筛选多功能候选肽，加速先导化合物发现。
• 治疗肽筛选：在类别不平衡的真实数据上仍保持高精度，减少漏检稀有功能肽。
• 肽序列功能注释：为大量未注释的肽序列提供多功能预测，支持功能注释流程。
• 多功能肽设计：通过特征增强提升对低频功能的学习，辅助设计具有多种活性的肽。