跳转到主要内容

DRACP:一种鉴定抗癌肽的新方法

摘要

背景

数百万人患有癌症,但对所有医生仍然艰难的早期诊断和有效治疗仍然很难。抗癌的常见方法包括外科手术,放射治疗和化疗。然而,它们对患者来说都是非常有害的。最近,已被发现抗癌肽(ACPs)是治疗癌症的潜在方法。由于ACP是天然生物学,因此它们比其他方法更安全。然而,实验技术是一种昂贵的方法来寻找ACP,因此我们目的是一种新的机器学习方法来识别ACP。

结果

首先,我们在两个方面提取了ACP的特征:氨基酸的序列和化学特征。对于序列,萃取平均20个氨基酸组合物。对于化学特性,我们基于疏水性和亲水残留物的图案将氨基酸分为六组。然后,深度信仰网络已被用于编码ACP的功能。最后,我们被用来随机相关矢量机来识别真正的ACP。我们称之为“DRACP”并在两个独立数据集中测试它的性能。在两个数据集中,其AUC和AUPR高于0.9。

结论

我们开发了一种名为“DRACP”的新方法,并将其与一些传统方法进行比较。交叉验证结果表明其在识别ACP方面的​​有效性。

B.背景

近几十年来,癌症患者的数量一直在增加。老年人关心的癌症多于神经退行性疾病。虽然医疗技术的快速发展有所帮助,但患者的死亡率和社会负担仍然很高。传统方法如放射疗法[1,靶向治疗[2]和化疗[3.可以帮助抑制癌症,但除了昂贵的费用,这些治疗对病人的危害是无法估量的[4.]。显然,找到一种对癌症无害的治疗方法至关重要。

1972年,Boman发现了抗微生物肽的主要结构[5.]。在他的研究之后,许多研究人员发现这些肽具有抗肿瘤活性[6.7.]。因此,这些抗菌肽被命名为抗癌肽(anticancer peptide, ACPs)。ACPs不仅具有高特异性和高肿瘤穿透性的优点,而且易于合成,对正常细胞无害[8.]。这种显着的优势使ACP成为癌症最潜在的治疗方法[9.10]。

大部分acp是由12-50个氨基酸残基组合而成。许多acp的结构是α-螺旋或β-sheet,一些特殊的acp有特殊的折叠。它们通过与癌细胞的阴离子细胞膜成分相互作用来执行其功能,然后选择性地杀死癌细胞[1112]。大多数ACPs是从抗菌肽(Antimicrobial peptide, amp)中获得的[13],因为阳离子amp只破坏细菌,而不破坏正常细胞,这显示了对各种癌细胞的广谱细胞毒性[14]。虽然目前ACP的机制尚未完全清楚[1516],天然ACP和人工设计的肽的发展仍然是对癌症的重要方法。

由于寻找acp的成本高、时间长,越来越多的研究人员开始关注用计算方法来识别acp。Tyagi等人[17]提取氨基酸组成和二值轮廓作为特征,建立SVM模型来识别ACPs。后来,Khosravian等人[18]也使用SVM来查找acp。然后,Hajisharifi等人[19]用相同的方法鉴别ACPs,用Chou的伪氨基酸组成。此外,陈等人[20.Putposed一种名为IACP的新方法寻找ACP,这取得了很大进展。最近,Manavalan等人。[21]同时使用随机森林和支持向量机来识别acp。Felício等人[7.]综述了2017年ACPs的发展,指出ACPs降低耐药性的可能性,并讨论了AMP与ACP的关系。Grisoni等人[22]使用长短期内存(LSTM)来识别基于序列的ACP。

虽然这些方法在这一领域的发展中发挥了重要的作用,但为了达到更高的精度,还需要更复杂的算法。生物网络是识别生物分子的常用方法[23]。近年来,深度学习算法已广泛用于生物信息学领域[24252627]。被证明是编码的强大工具的深度信仰网络(DBN)是一种强大的工具[28]。因此,我们设计了一种名为DRACP的新方法来识别acp。为了验证该方法的有效性,我们在两个不同的数据集上使用了该方法。对于每一种,我们都做了交叉验证来做测试来验证稳定性。

结果

数据描述

ACPs数据集下载自Wei Chen等人[20.]。我们获得了两个数据集。其中一个包含138个真正的ACPS样品和206个非ACPS样品。另一个具有150个真实ACPS样本和150个非ACPS样品。所有负样本都是随机产生的。

本文采用10交叉验证的方法对我们的方法进行检验,即将整个数据集分为10组,其中1组作为测试数据集,其余组作为训练数据集。

DRACP与先前方法相比的性能

本研究中,伪acp的标签为0,真实acp的标签为1。

首先,我们在两个数据集上执行DRACP。第一个数据集的平均准确性为86.87%,第二个数据集的数量为85.17%。

Tyagi等人[17]提出了一种基于支持向量机的acp识别方法。我们把我们的方法和他们的方法作了比较。

与Tyagi等人相比。方法,我们使用不同的特征和方法。虽然Tyagi等人使用了不同的特征,但它们的最佳性能是基于二肽组成的SVM模型。然而,它们忽略了氨基酸的化学特征。要测试我们功能的重要性,我们还通过使用我们的功能构建了SVM模型。我们称此方法SVMNF

这三种方法的性能见表1。如表所示1结果表明,该方法的准确率最高,分别为0.96和0.95。支持向量机NF排名第二,这意味着我们的特征比Tyagi等人的好。

表1三种方法的准确性

DBN的必要性

不使用DBN,我们将56维度的功能放入随机相关矢量机(RRVM)以构建模型。使用相同的测试方法来比较DRACP和RRVM的性能。这次,AUC和AUPR用于评估分类的准确性。

数字1显示DRACP和RRVM的ROC曲线。蓝线表示DRACP的ROC曲线,红线表示RRVM的ROC曲线。DataSet2的结果由虚线和实线表示用于数据集1的结果。正如我们所看到的,DRACP比RRVM更好。然后,我们测试了这两种方法的AUPR。

图1
图1

DRACP和RRVMs的ROC曲线

数字2为DRACP和RRVMs的PR曲线。蓝色条表示DRACP的PR曲线,红色条表示rrvm的PR曲线。DRACP的表现也优于rrvm。

图2
图2.

DRACP和RRVMs的PR曲线

这些实验表明,使用DBN编码可以提高模型的准确性。

讨论

最先前的识别ACP的方法基于传统方法,例如SVM。由于算法的开发,应将更强大的方法应用于识别ACP。

本文采用DBN对acp的特征进行编码。DBN通过无监督学习降低ACP特征的维数。在此基础上,提出了一种基于RVM和RF的真实acp识别方法RRVMs。实验结果表明,该方法具有较高的鉴别精度,是一种有效的鉴别acp的方法。此外,我们还通过比较DRACP和RRVM的结果来说明DBN的威力。实验说明了利用DBN对特征进行降维的必要性。最后,我们将我们的方法与以前的方法以及一些传统的方法进行了比较,以显示该方法的优越性。

DRACP可以基于它们的序列来之前潜在的ACP。这项工作将有助于生物学家降低查找ACP的金钱和时间的成本。

结论

由于其对人体无害的优点,ACPs在治疗癌症方面有很大的潜力。然而,由于发现acp的成本较高,目前发现的acp并不多,因此acp作为一种治疗手段仍有很长的路要走。

为了降低发现ACPs的成本和时间,本研究提出了一种基于氨基酸序列和化学特征的ACPs鉴定方法——DRACP。由于各ACP的特征维数较高,采用DBN进行无监督编码。它能有效地降低图像的维数并保留特征信息。在获得最终特征后,我们随机选取特征和样本建立RVM模型。建立101个RVM模型生成最终分类器。这个建筑过程引出了RF的概念。

为了验证DRACP的性能,我们使用了两个独立的数据集,并进行了10个交叉验证。我们不仅证明了DRACP的性能比之前的方法更好,也展示了我们的功能的强大。此外,我们还测试了在没有DBN的情况下使用RRVM的性能,发现DBN是提高精度的重要组成部分。

总之,我们开发了一种有效的识别ACPs的方法。虽然我们的方法表现良好,但仍需要更大的数据集来进一步证明DRACP的威力。

方法

特征提取

组成分析

我们透露了真实ACP的组成与其他正常肽不同。因此,每个氨基酸的平均百分比如图2所示。3.

图3
图3.

ACPs和非ACPs的全氨基酸平均组成比较。x轴是20种氨基酸的指标,y轴是氨基酸与总序列长度的比值

如图1所示。3.,蓝色棒表示真正的ACP的组成,红色棒是非ACPS'。在20个氨基酸中,只有3个氨基酸几乎分享相同的百分比。氨基酸的大部分组合物在ACP和非ACP之间具有显着差异。因此,20个氨基酸的组成可能是ACP的特征。

还原氨基酸组合物

蛋白质的结构与疏水残基和亲水残基的形态密切相关。氨基酸根据水疗法的范围分为6组。表格2显示六组20个氨基酸。

表2 20个氨基酸的六组

因此,我们可以用6个字符来代表多肽序列。由于二肽是由两个肽组成的,会有\(6 ^ {2} \)描述序列的功能。然后我们可以提取以下功能:

$$F = [f_{1},f_{2},f_{3} \ldots f_{36}]$$
(1)

在哪里\ (f {x} \)是36个水碎偶氮二肽的绝对发生频率。它可以计算如下:

$$f_{i} = \frac{{n_{i}}}{L - 1}$$
(2)

在哪里\ (n_{我}\)为蛋白质36个水解二肽的出现数,L为肽的长度。

无花果。4.显示特征提取的流程图。总共,我们提取了56个D功能以识别ACP。

图4
图4.

特征提取流程图。我们提取了56个D特征来识别ACPs,它包括20维组成和36维还原氨基酸组成

方法和框架

首先,使用DBN编码我们获得的特征。然后RRVM用于对ACP进行分类。我们方法的工作流程如图4所示。5.

图5
图5.

Dracp框架。第一步是使用DBN来减少特征的尺寸。然后RRVMS用于进行分类

DBN.

DBN是一种高效的半监督算法。采用逐层贪心算法对深度信念网络的参数进行训练,打破了深网络长期以来难以解决的死锁问题。

受限玻尔兹曼机(RBM)是DBN的基本单元。RBM中的变量分为隐变量和可观察变量。这两组变量分别用可观察层和隐藏层表示。同一层的节点之间不存在连接,一层的节点连接到另一层的所有节点,这与全连接的神经网络结构相同。

RBM由M可观察变量和N个隐藏变量组成,其能量函数被定义为:

$ $ E (v、h) = - \ \ limits_总和我{}{现代{我}v_{我}-}\ \和limits_ {j} {b_ {j} h_ {j} -} \ \ limits_总和我{}{\总和\ limits_ {j} {v_{我}w_ {ij} h_ {j } = } } - 一个^ {T} v - b ^ {T} v - v ^ {T} Wh $ $
(3)

这里,v是一个可观察变量\(v = [v_ {1},v_ {2},... v_ {m}] ^ {t} \)H是隐藏的随机向量\(h = [h_ {1},h_ {2},... h_ {n}] ^ {t} \)。W是一个权值矩阵,维数为m * n,每个元素为可见变量与隐藏变量之间的边的权值。a和b都是偏差,a是可观察变量v的偏差,b是隐藏变量的偏差。

RBM的联合概率分布为\ (p (v、h) \)计算方法为:

$$ p(v,h)= \ frac {1} {z} \ x \ exp( - e(v,h))= \ frac {1} {z} \ exp(a ^ {t} v)\ exp(b ^ {t} h)\ exp(v ^ {t} wh)$$
(4)

在哪里\(Z = \sum\limits_{v,h} {\exp (- E(v,h))}\)是配分函数。

DBN的本质是rbm的叠加。对于包含l级隐藏变量的DBN,最低级别为\ (v = h ^ {(0)} \)这是可观察变量。前两层是用于生成先前分配的无向图(p(h ^ {(l-1)})\)。除最上面两层外,每一层均按其上一层计算:

$$ p(h ^ {(l)} | h ^ {(l + 1)},...,h ^ {(l)})= p(h ^ {(l)} | h ^ {(l+ 1)})$$
(5)

DBN中变量的联合概率可以表示:

$ $ p (v、h ^{(1)},…,h ^{(左)})= p (v | h ^{(1)}) \离开({\刺激\ limits_ {L = 1} ^ {L - 2} {p (h ^{(左)}| h ^ {(L + 1)})}} \右)p (h ^ {(L - 1)}, h ^{(左)})$ $
(6)

在哪里\(p(h ^ {(l)} | h ^ {(l + 1)})\)是s型条件概率分布。

RRVMs

我们学习了随机森林(RF)的基本思想,提出了一种新的方法RRVMs。通过随机选择特征和样本,建立RVM作为弱分类器。我们重复这个过程101次来构造一个强分类器。

首先,我们随机选择5个功能和100个样本来构建RVM模型。然后,我们将这些功能和样品放回来并启动另一轮建筑模型。该过程可以重复101次,因此将获得101个RVM模型。最后,通过从这些101 RVM模型中投票可以获得强大的分类器。

RVM分类器的构建

与支持向量机(SVM)相比,RVM的核函数不受Mercer条件的限制。它可以更加稀疏,具有更少的超参数,从而减少核函数的计算负担。

对于给定的数据集\(\ {x_ {i},t_ {i} \} _ {i = 1} ^ {n} \)\(间{我}在{\文本{R}} ^ \ d {} \),非线性模型为:

$$t = y(x) + \varepsilon$$
(7)

其中N为样本数,y()为非线性函数,\ \ varepsilon \ ()是噪音,\(\varepsilon \sim N(0,\sigma_{}}^{2})\)

RVM的最后一个函数是:

$$ t = {{\ varvec {\ phi}}} \ omega + \ varepsilon $$
(8)

在哪里\ \(ω= (\ omega_ {0}, \ ldots \ omega_ {N}) ^{{\文本{T}}} \)的重量,\ ({{\ varvec{\φ}}}\)是核函数的矩阵。K()是核函数。\ (\ phi_{}(间{我})左= \ [{1,K(间的{},间的{1}),\ ldots K(间的{},间{N})} \右],i = 1, 2 \ ldots N \)

的分布(p(t | x)\)满足\ (N (t | y (x) \σ^ {2})\)。数据的似然估计为:

$ $ p (t | \ω\σ^{2})=(2 \π\σ^ {2})^ {- N / 2} \ exp \{- \左\ | {t - {{\ varvec{\φ}}}\ω}\右\ | ^{2}/(2 \σ^ {2})\}$ $
(9)

引爆定义了零均值高斯型先验分布ω\ (\ \)

$$ p(\ oomega / alpha)= \ prod \ limits_ {0} ^ {n} {n(\ oomega_ {i} | 0,\ alpha_ {i} ^ { - 1})} = \ prod \ limits_{0} ^ {n} {\ frac {{\ alpha_ {i}}} {{\ sqrt {2 \ pi}}} \ exp \ left({\ frac {{\ omega_ {i} ^ {2} \alpha_ {i}}} {2}} \ revaly)} $$
(10)

在哪里\α(\ \)是超参数,它与权重一一对应。

\α(\ \)以及噪音的方差\ \(σ^ {2}\)满足伽马分布。

$$ \ begined {senugent}&p(\ alpha)= \ prod \ limits_ {i = 0} ^ {n} {{\ text {gamma}}(\ alpha_ {i} | a,b)} \\&p(\ sigma ^ {2})= \ prod \ limits_ {i = 0} ^ {n} {n} {{\ text {gamma}}(\ beta | c,d)} \\ \ end {对齐} $$
(11)

当有一组新的观测值时,基于稀疏贝叶斯学习框架的预测可以表示为:

$$ p(t_ {n + 1} | t)= \ int {p(t_ {n + 1} | \ oomga,\ alpha,\ sigma ^ {2})} p(\ omega,\ alpha,\ sigma^ {2} | t)d \ omega d \ alpha d \ sigma ^ {2} $$
(12)

在哪里\ (t_ {N + 1} \识别)新观测的目标值是多少\(间{N + 1} \)

对于一组新的输入\(间{*}\), 输出\(t _ {*} \)应符合分布(p(t _ {*} | t)\ sim n(\ mu ^ {{\ text {{{\ phi}}}(x _ {*}),\ sigma _ {*} ^{2})\)

$$ t _ {*} = \ mu ^ {{\ text {t}}} {\ varvec {\ phi}}}(x _ {*})$$
(13)
$$ \ sigma _ {*} ^ {2} = \ sigma_ {mp} ^ {2} + {{\ varvec {\ phi}}(x _ {*})^ {{\ text {t}}} \ sum{{\ varvec {\ phi}}}(x _ {*})$$
(14)

在哪里\ (\ sigma_{议员}^ {2}\)是噪音的最终方差。

为了完成分类器的构造,我们还需要将各个参数设置为Table3.表演。

表3 RVM参数及功能说明

可用性数据和材料

本文中使用的所有数据集可以从中下载https://github.com/zty2009/ACP

缩写

机场核心计划:

抗癌肽

DBN:

深度信仰网络

AMP:

抗菌肽

RBM:

受限制的Boltzmann机器

rf:

随机森林

RRVM:

随机相关向量机

支持向量机:

支持矢量机器

LSTM:

长时间的短期记忆

R.eferences

  1. 1.

    Timmerman Rd,Paulus R,Pass Hi,Gore Em,Edelman MJ,Galvin J,Straube WL,Nedzi La,Mcgarry Rc,Robinson CG。可操作早期肺癌的立体定向体放射治疗:来自NRG肿瘤的结果RTOG 0618试验。Jama incol。2018; 4(9):1263-6。

    文章谷歌学者

  2. 2.

    Mereiter S,BalmañaM,Campos D,Gomes J,Reis Ca.癌症靶向治疗时代的糖基化:我们在哪里前往?癌细胞。2019; 36(1):6-16。

    CAS.文章谷歌学者

  3. 3.

    Gandhi L,Rodríguez-Abreu D,Gadgeel S,Esteban E,Felip E,De Angelis F,Domine M,Clingan P,Hochmair MJ,Powell SF。Pembrolizumab加上化疗在转移性非小细胞肺癌中。n Engl J Med。2018; 378(22):2078-92。

    CAS.文章谷歌学者

  4. 4.

    魏伟强,刘文杰,刘文杰。食管鳞状细胞癌的流行病学研究。胃肠病学。2018;154(2):360 - 73。

    文章谷歌学者

  5. 5.

    多肽抗生素及其在先天免疫中的作用。免疫年鉴,1995;13(1):61-92。

    CAS.文章谷歌学者

  6. 6.

    Falcao CB, Pérez-Peinado C, de la Torre BG, Mayol X, Zamora-Carreras H, Jiménez MA, Rádis-Baptista G, Andreu D. Structural dissection of crotalicidin(响尾蛇毒液抗菌肽),获得了一个具有抗菌和抗肿瘤活性的片段。2015;58(21): 8553-63。

    CAS.文章谷歌学者

  7. 7.

    Felício MR, Silva ON, Gonçalves S, Santos NC, Franco OL。具有双重抗菌和抗癌活性的多肽。前化学2017;5。

    文章谷歌学者

  8. 8.

    Gabernet G,Müllerat,Hiss Ja,Schneider G.膜解苦癌肽。Medchemcomm。2016; 7(12):2232-45。

    CAS.文章谷歌学者

  9. 9.

    Freire JM, Gaspar D, Veiga AS, Castanho MA。转移齿轮抗菌和抗癌肽生物物理研究:从囊泡到细胞。中国医学杂志2015;21(3):178-85。

    CAS.文章谷歌学者

  10. 10.

    赵T,胡y,Zang T,王Y.整合GWAS,EQTL和MQTL数据识别阿尔茨海默病相关基因。前群体。2019; 10:1021。

    CAS.文章谷歌学者

  11. 11.

    Oelkrug C,Hartke M,Schubert A.抗癌肽(ACPS)的作用方式来自两栖动物。抗癌es。2015; 35(2):635-43。

    CAS.PubMed谷歌学者

  12. 12.

    Arias M, Hilchie AL, Haney EF, Bolscher JG, Hyndman ME, Hancock RE, Vogel HJ。牛和人乳铁蛋白衍生肽的抗癌活性。细胞生物学杂志。2016;95(1):91-8。

    文章谷歌学者

  13. 13.

    Mahlapuu M,HåkanssonJ,Ringstad L,BjörnC.抗微生物肽:一种新兴的治疗剂类别。前细胞感染微生物。2016; 6:194。

    文章谷歌学者

  14. 14.

    王刚,李晓,王铮。APD3:抗菌肽数据库的研究和教学工具。核酸杂志2015;44(D1): D1087-93。

    文章谷歌学者

  15. 15.

    bechinger b,gorr s-u。抗微生物肽:作用和抗性机制。j dent res。2017; 96(3):254-60。

    CAS.文章谷歌学者

  16. 16.

    Cullen T,Schofield W,Barry N,Putnam E,Rundell E,Trent M,Degnan P,Booth C,Yu H,Goodman A.抗微生物肽抗性在炎症期间介导突出的肠道共生的复原力。科学。2015; 347(6218):170-5。

    CAS.文章谷歌学者

  17. 17.

    Tyagi A, Kapoor P, Kumar R, Chaudhary K, Gautam A, Raghava G.在硅模型设计和发现新的抗癌肽。Sci众议员2013;3:2984。

    文章谷歌学者

  18. 18.

    Khosravian M,Kazemi Faramarzi F,Mohammad Beigi M,Behbahani M,Mohabatkar H.预测Chou's Pseudo-氨基酸组成和机器学习方法的概念抗菌肽。蛋白质pept。2013; 20(2):180-6。

    CAS.文章谷歌学者

  19. 19.

    Hajisharifi Z,Piryaiee M,Beigi MM,Behbahani M,Mohabatkar H.预测与Chou的伪氨基酸组成的抗癌肽,并通过AME测试研究其致突变性。J Worl Biol。2014; 341:34-40。

    CAS.文章谷歌学者

  20. 20.

    陈某,丁h,冯p,林h,chou k-c。IACP:一种用于鉴定抗癌肽的序列工具。oncotarget。2016; 7(13):16895。

    文章谷歌学者

  21. 21.

    Manavalan B, Basith S, Shin TH, Choi S, Kim MO, Lee G. MLACP:基于机器学习的抗癌肽预测。Oncotarget。2017;8(44):77121。

    文章谷歌学者

  22. 22.

    Grisoni F,Neuhaus CS,Gabernet G,Müllerat,Hiss Ja,Schneider G.通过建设性机器学习设计抗癌肽。ChemMedchem。2018; 13(13):1300-2。

    CAS.文章谷歌学者

  23. 23.

    关键词:生物网络,实体间关系,生物网络见:IEEE/ACM计算生物学和生物信息学汇刊。2019.

  24. 24.

    赵涛,程磊,臧涛,胡勇。基于深度学习的多肽主要组织相容性复合体类I结合预测。麝猫。2019;10:1191。

    CAS.文章谷歌学者

  25. 25.

    彭俊,惠万,李琦,陈B,郝琦,江Q,王X,Wei Z.使用神经网络的MiRNA-Disule Association识别基于学习的框架。生物信息学。2019; 35(21):4364-71。

    文章谷歌学者

  26. 26.

    1 .彭军,薛浩,魏智。基于深度神经网络的基因功能预测方法[J] .计算机工程与应用,2015,34(5):549 - 554。短暂的Bioinform。2020。

  27. 27.

    关键词:基因本体,深度神经网络,单细胞RNA-Seq,聚类BMC Bioinform。2019;20(8):284。

    文章谷歌学者

  28. 28.

    基于稀疏编码的对称机器改进了深度信念网络的预训练。2012年IEEE声学、语音和信号处理国际会议(ICASSP): 2012。IEEE。p . 4165 - 4168。

下载参考

确认

作者感谢匿名审稿人提出的许多有用的建议。

关于这个补充剂

本文已作为BMC生物信息学vol . 21 Supplement 16, 2020:来欧宝娱乐合法吗自生物本体和知识库研讨会2019的精选文章的一部分发表。附录的全部内容可在网上查阅//www.christinemj.com/articles/supplements/volume-21-supplement-16

资金

基金资助:国家重点研发计划资助项目(No. 5130516);项目编号:2016YFC0901605);国家科技重大专项(2016YFC1202302)。资助者不参与研究设计、数据收集和分析、决定出版或编写手稿。

作者信息

从属关系

作者

贡献

TYZ2帮助修改了本文。YH和TYZ1写了这篇论文,并做了实验。所有作者都已经阅读并赞成最终的手稿。

相应的作者

对应于天一藏

道德声明

伦理批准和同意参与

不适用。

同意出版物

不适用。

利益争夺

作者们宣称他们没有相互竞争的利益。

附加信息

出版商的注意

欧宝体育黑玩家Springer Nature在发表地图和机构附属机构中的司法管辖权索赔方面仍然是中立的。

权利和权限

开放获取本文根据创意公约归因于4.0国际许可证,这允许在任何中或格式中使用,共享,适应,分发和复制,只要您向原始作者和来源提供适当的信贷,提供了一个链接到Creative Commons许可证,并指出是否进行了更改。除非信用额度另有说明,否则本文中的图像或其他第三方材料包含在文章的创造性公共许可证中,除非信用额度另有说明。如果物品不包含在物品的创造性的公共许可证中,法定规定不允许您的预期用途或超过允许使用,您需要直接从版权所有者获得许可。要查看本许可证的副本,请访问http://creativecommons.org/licenses/by/4.0/。“创作共用公共领域”豁免书(http://creativecommons.org/publicdomain/zero/1.0/)适用于本文中提供的数据,除非另有用入数据的信用额度。

再版和权限

关于这篇文章

通过十字标记验证货币和真实性

引用这篇文章

一种新的抗肿瘤多肽的鉴定方法。欧宝娱乐合法吗21日,559(2020)。https://doi.org/10.1186/s12859-020-03812-y.

下载引用

关键词

  • 抗癌肽
  • 深度信仰网络
  • 相关矢量机器
  • 随机森林
  • 癌症
\