CACPP：シーケンスのみに基づいて抗がんペプチドを特定するための対照的な学習ベースのシャムネットワーク

抗がんペプチド（ACPS）は最近、消費量が少なく、副作用がほとんどなく、簡単なアクセス可能性により、がん療法の注目が高まっています。しかし、実験的アプローチを介して抗がんペプチドを特定することは依然として大きな課題であり、高価で時間のかかる実験的研究を必要とします。さらに、従来の機械学習ベースの方法は、主に手作りのフィーチャエンジニアリングに応じてACP予測に提案されており、通常は低予測のパフォーマンスを達成します。この研究では、CACPP（CONTRASTIVE ACP Predictor）、畳み込みニューラルネットワーク（CNN）に基づく深い学習フレームワーク、および抗がんペプチドを正確に予測するための対照学習を提案します。特に、Peptideシーケンスのみに基づいて高照射機能を抽出し、対照的な学習モジュールを活用して、より良い予測を行うために、より識別可能な特徴表現を学習するために、TextCNNモデルを導入します。ベンチマークデータセットの比較結果は、CACPPが抗がんペプチドの予測におけるすべての最先端の方法よりも優れていることを示しています。さらに、モデルが適切な分類能力を持っていることを直感的に示すために、モデルからの特徴の寸法の減少を視覚化し、ACPシーケンスと抗がん機能の関係を調査します。さらに、モデルの予測に対するデータセット構造の影響についても説明し、検証された負のサンプルを使用してデータセットでモデルのパフォーマンスを調査します。

Anticancer peptides (ACPs) recently have been receiving increasing attention in cancer therapy due to their low consumption, few adverse side effects, and easy accessibility. However, it remains a great challenge to identify anticancer peptides via experimental approaches, requiring expensive and time-consuming experimental studies. In addition, traditional machine-learning-based methods are proposed for ACP prediction mainly depending on hand-crafted feature engineering, which normally achieves low prediction performance. In this study, we propose CACPP (Contrastive ACP Predictor), a deep learning framework based on the convolutional neural network (CNN) and contrastive learning for accurately predicting anticancer peptides. In particular, we introduce the TextCNN model to extract the high-latent features based on the peptide sequences only and exploit the contrastive learning module to learn more distinguishable feature representations to make better predictions. Comparative results on the benchmark data sets indicate that CACPP outperforms all the state-of-the-art methods in the prediction of anticancer peptides. Moreover, to intuitively show that our model has good classification ability, we visualize the dimension reduction of the features from our model and explore the relationship between ACP sequences and anticancer functions. Furthermore, we also discuss the influence of data set construction on model prediction and explore our model performance on the data sets with verified negative samples.