[Paper] 펩타이드 막 투과성 예측을 위한 디커플드 얼라인먼트 커널

Source: arXiv

Abstract

고리 펩타이드는 세포 내 표적 부위에 접근할 수 있는 유망한 모달리티이지만, 세포막 투과성은 여전히 주요 병목 현상이며, 공개 데이터가 제한적이고 잘 보정된 불확실성 추정이 필요하다는 점이 문제를 악화시킵니다. 데이터에 크게 의존하는 복잡한 딥러닝 아키텍처에 의존하는 대신, 우리는 화학적으로 의미 있는 잔기‑잔기 유사성을 서열 정렬과 결합하면서 로컬 매치를 갭 페널티와 분리하는 **단량체 인식 분리 전역 정렬 커널(MD‑GAK)**을 제안합니다. MD‑GAK는 비교적 단순한 커널입니다. 프레임워크의 견고함을 추가로 입증하기 위해, 삼각형 형태의 위치 사전 정보를 통합한 변형인 PMD‑GAK도 도입합니다. 실험 섹션에서 보여주듯이, PMD‑GAK는 특히 보정 오류를 감소시키는 측면에서 MD‑GAK보다 추가적인 이점을 제공할 수 있습니다. 우리의 초점이 불확실성 추정에 있기 때문에, 예측 모델로 가우시안 프로세스를 사용합니다. 이는 MD‑GAK와 PMD‑GAK가 이 프레임워크 내에서 직접 적용될 수 있기 때문입니다. 우리는 광범위한 실험을 통해 우리의 완전 재현 가능한 접근법을 최첨단 모델들과 비교하고, 모든 지표에서 기존 모델들을 능가함을 입증합니다.