AVP-Pro: Zwei‑Stufen‑Ansatz mit adaptiver Fusion und kontrastivem Lernen

Die präzise Identifikation von antiviralen Peptiden (AVPs) ist ein entscheidender Schritt bei der Entwicklung neuer Medikamente. Mit dem neuen Ansatz AVP-Pro wird ein innovatives, zweistufiges Modell vorgestellt, das die Grenzen bisheriger Methoden sprengt und die Genauigkeit bei der Erkennung von AVPs deutlich erhöht.

AVP-Pro nutzt einen umfassenden Feature‑Space, der zehn unterschiedliche Beschreibungen physikochemischer Eigenschaften von Peptiden integriert. Durch eine hierarchische Fusionsarchitektur, die selbstaufmerksame Mechanismen und adaptive Gate‑Schaltungen kombiniert, werden lokale Motive, die von Convolutional Neural Networks (CNNs) extrahiert werden, und globale Abhängigkeiten, die von bidirektionalen LSTM‑Netzwerken (BiLSTMs) erfasst werden, dynamisch gewichtet. Diese Kombination ermöglicht es dem Modell, komplexe Sequenzabhängigkeiten effizient zu erfassen.

Um die unscharfe Entscheidungsgrenze zwischen ähnlichen positiven und negativen Proben zu überwinden, setzt AVP-Pro eine Online Hard Example Mining (OHEM) – getriebene kontrastive Lernstrategie ein, die zusätzlich die BLOSUM62‑Matrix nutzt. Diese Technik schärft die diskriminierende Kraft des Modells und reduziert Fehlklassifikationen signifikant.

Die Evaluierung zeigt beeindruckende Ergebnisse: Im ersten Identifikationsschritt erreicht das Modell eine Genauigkeit von 0,9531 und einen Matthews‑Correlation‑Coefficient (MCC) von 0,9064, was die derzeitige Spitzenleistung (SOTA) deutlich übertrifft. Im zweiten Schritt, der funktionellen Subtyp‑Vorhersage, kombiniert AVP-Pro Transfer‑Learning und erzielt eine präzise Klassifizierung von sechs viralen Familien sowie acht spezifischen Viren, selbst bei kleinen Stichprobengrößen.

AVP-Pro stellt damit einen bedeutenden Fortschritt in der antiviralen Peptidforschung dar und eröffnet neue Möglichkeiten für die schnelle Entwicklung von gezielten Therapeutika gegen aktuelle und zukünftige Virusbedrohungen.