基于预训练蛋白语言模型的肽类激素预测框架pLM-HP

Journal of advanced research · 2026-10-02 · 期刊论文

• 一句话结论：提示：结合ESM2蛋白语言模型与双向长短期记忆网络并引入类别权重，pLM-HP在肽类激素预测上表现较好，但属计算预测，尚不足以下临床结论。
• 研究设计与做法：研究为计算方法开发与基准评估，非人体或动物实验；采用五折交叉验证与独立测试集评估，样本量、干预与对照、随访时长材料未报告。
• 主要结果：五折交叉验证中BACC为95.61%、MCC为0.802；独立测试集BACC为95.64%、MCC为0.824；在类别不平衡条件下性能保持稳定，未报告置信区间与p值。
• 机制或解释：作者解释：ESM2提取高维全局上下文嵌入，BiLSTM建模残基间序列依赖，损失函数加入类别权重以缓解类别不平衡带来的偏倚。
• 局限与边界：局限与边界：结果基于计算基准，缺乏实验验证；训练数据来源、物种覆盖与潜在过拟合风险材料未报告；利益冲突材料未报告。
• 可否落地：可否落地：证据档位为提示，可作为高通量功能肽筛选与候选肽类激素优先级排序的辅助工具，代码已公开；尚不足以替代实验验证或直接用于临床决策。

🔗 打开原文

Ao C, Jiao S, Su X 等

本文摘自《每日前沿研究简报 · 2026-10-04》「AI 科研智能体」。本内容仅用于研究信息整理与科普交流，不构成医疗建议。