背景

在全球范圍內，癌癥是一個重大的健康問題，對人類健康構成了嚴重威脅。傳統的治療方法和基于實驗室的技術已被廣泛用于治療受癌癥影響的細胞。然而，這些方法的高處理成本和副作用仍然限制了它們的有效性。在過去的十年中，抗癌肽（ACPs）領域取得了顯著進展，為開發副作用較低的可靠抗癌藥物提供了有希望的替代方案。

結果

在本文中，我們提出了一個有效的模型pACP-CapsNet，用于準確識別抗癌肽（ACPs）。輸入序列通過SMR和RECM轉換為結構和局部替換基圖像。隨后，對獲得的二維圖像應用HOG、DWT和CLBP變換，以生成新的特征空間，包括RECM_DCT、DWT_SMR、HOG_SMR和RECM_CLBP。這些提取的描述符被串聯集成，以克服單個描述符的局限性。此外，還使用了隨機青蛙跳躍算法從集成混合向量中選擇高排名特征。使用SFLA特征訓練了多種深度學習模型，其中膠囊神經網絡（CapsNet）取得了更高的預測率。所提出的pACP-CapsNet使用訓練樣本獲得了97.0%的準確率和0.98的AUC。進一步的驗證表明，pACP-CapsNet的性能優于現有模型，在ACP240和ACP740測試集上分別提高了約3%和4%。

結論

pACP-CapsNet模型的效率和穩定性得到了驗證，這凸顯了它作為學術研究、藥物診斷和藥物設計中寶貴工具的潛力。