メタサイク知識ベースにアノテーションされた代謝物の経路関与の予測

科学分野:

• 生化学
• バイオインフォマティクス
• 計算生物学

背景:

• 生化学的経路との代謝物の関連付けは、分子データの解釈にとって重要です。
• 経路アノテーションはしばしば疎であり、データの有用性を制限します。
• 以前の機械学習モデルは、京都ゲノム遺伝子百科事典（KEGG）を用いて経路関連を予測していました。

研究 の 目的:

• メタサイクデータベースを用いた代謝物経路関連予測のための機械学習モデルの性能を評価すること。
• メタサイクに基づく予測とKEGGからの予測を比較すること。
• 経路レベルの解釈におけるメタサイクの有用性を評価すること。

主な方法:

• 多層パーセプトロンモデルを訓練および評価しました。
• メタサイクデータベースから化合物エントリと経路アノテーションを利用しました。
• KEGGデータで訓練されたモデルと比較して、性能指標（マシューズ相関係数）を比較しました。

主要な成果:

• メタサイクで訓練されたモデルは、平均MCC 0.845 (±0.0101) を達成しました。
• KEGGで訓練されたモデルは、平均MCC 0.847 (±0.0098) を達成しました。
• メタサイクは、KEGGの代謝経路のみの予測性能と比較して、5.6%以上の改善を示しました。

結論:

• 機械学習モデルは、メタサイクとKEGGを用いた経路予測において同等の性能を示します。
• メタサイクは、予測のためのより包括的な経路定義セットを提供します。
• 本研究の結果は、代謝物経路関連予測のためのメタサイクの効果的な使用を支持します。