DeepB3Pred：基于堆叠 BiGRU 模型与新特征的血脑屏障多肽预测器

血脑屏障（B3）作为一层屏障膜，是治疗中枢神经系统（CNS）疾病时需要重点考虑的因素。B3 穿透肽（B3PPs）在向多发性硬化症、帕金森病和阿尔茨海默病等多种疾病递送治疗药物方面发挥着重要作用。因此，准确识别药物分子对于疾病治疗至关重要。通常，在预测 B3PPs 方面，计算方法比传统的湿实验方法更具成本效益且速度更快。因此，我们开发了一种名为 DeepB3Pred 的新型深度学习预测器，能够从序列数据中准确预测 B3PPs 和非 B3PPs。在该方法中，我们使用了三种新型特征，即伪残基能量含量矩阵（PseRECM）、基于图形和统计的特征工程（GSFE）以及基于组成-转换-分布（CTD）的特征。这些特征从多肽一级序列中捕获了基于能量、图形和组成的特性。数据偏斜被认为是一个不可避免的问题，我们通过采用随机欠采样技术解决了该问题。提取的数据被输入到多种深度学习模型（即堆叠双向门控循环单元（BiGRU）、Deep Forest）和机器学习模型（即 CatBoost、Support Vector Machine）中。基于 BiGRU 的 DeepB3Pred 模型取得了优于其他最先进 B3PPs 预测器的结果。该模型在五折交叉验证中的预测效能为：准确率 0.945、MCC 0.877、曲线下面积（AUC）0.965。在未见数据上的泛化性能报告为：准确率 0.869、MCC 0.635、AUC 0.933。我们相信，我们的研究将特别加速针对神经系统疾病的肽类药物研发。