펩타이드에 의해 조절될 수 있는 이온 채널은 신경계, 대사성 및 심혈관 질환에 대한 유망한 약물 표적이다. 이온 채널 조절 펩타이드(IMP)를 실험적으로 스크리닝하는 데에는 비용이 많이 들고 노동 집약적이므로, 계산 내(in-silico) 접근법은 우수한 대안이 될 수 있다. 본 연구에서는 나트륨, 칼륨 및 칼슘 이온 채널뿐 아니라 니코틴성 아세틸콜린 수용체(nAChRs)를 표적으로 하는 IMP 스크리닝을 위한 예측 모델인 PrIMP를 제시한다. IMP에 대한 데이터 불충분성을 극복하기 위해 두 가지 유형의 지식 전이 접근법을 활용하였다: 다중 작업 학습(MTL)과 전이 학습(TL). MTL은 하드 파라미터 공유를 통해 네 가지 표적 작업에 대해 동시에 모델 학습을 가능하게 하여 모델의 일반화 성능을 향상시켰다. TL은 훨씬 더 큰, 자연적으로 존재하는 기능성 펩타이드 데이터셋인 항균 펩타이드 데이터로부터 사전 학습된 모델 가중치의 지식을 전이하여 모델 성능을 개선할 수 있을 가능성을 제공하였다. MTL과 TL은 모두 예측 모델의 예측 성능을 성공적으로 향상시켰다. 또한 심층 학습과 전통적 기계 학습을 결합한 하이브리드 접근법을 적용하여 추가적인 성능 향상을 도모하였다. PrIMP는 나트륨 이온 채널에서 F1 점수 0.924, 칼륨 이온 채널에서 0.937, 칼슘 이온 채널에서 0.898, nAChRs에서 0.931을 달성하였다. 전처리된 데이터셋과 제안된 모델은 https://github.com/bzlee-bio/PrIMP 에서 제공된다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.