使用基于SqFt的逻辑回归模型预测蛋白质聚合倾向
Fatemeh Eshari1, Fahime Momeni2, Amirreza Faraj Nezhadi3
1Protein Biotechnology Research Lab (PBRL), School of Biology, College of Science, University of Tehran, Tehran, Iran.
International journal of biological macromolecules
|July 29, 2023
概括
我们开发了一个机器学习模型来预测蛋白质聚合的倾向,这对于理解神经退行性疾病如阿尔茨海默氏症和帕金森症至关重要. 我们的物流回归模型准确地识别了聚合趋势,优于现有方法.
科学领域:
- 生物化学 生化学
- 计算生物学 计算生物学
- 机器学习 机器学习
背景情况:
- 蛋白质聚合与神经退行性疾病 (NDs) 相关,例如阿尔茨海默病 (AD) 和帕金森病 (PD).
- 了解蛋白质聚合倾向 (PAP) 对疾病机制研究和治疗开发至关重要.
- 现有的预测方法需要提高准确性和可靠性.
研究的目的:
- 开发和验证一种新的机器学习方法来预测蛋白质聚合倾向 (PAP).
- 评估逻辑回归 (LR) 在预测聚的有效性.
- 将开发的LR模型的性能与现有的蛋白质聚合预测服务器进行比较.
主要方法:
- 利用了已知聚合倾向的六类的数据集.
- 采用了逻辑回归 (LR),结合了八个生理化学特征和序列信息.
- 使用F-测量和马修斯相关系数 (MCC) 评估模型性能.
主要成果:
- 该LR模型实现了0.841的高F测量和0.6692.2的MCC.
- 该模型与现有方法和已知的服务器 (如Aggrescan,Metamyl,Foldamyloid和PASTA 2.0.0) 相比,显示出更高的性能.
- 结合序列和特征信息显著提高了预测准确性.
结论:
- 开发的后勤回归模型为预测蛋白质聚合倾向提供了一种高效可靠的工具.
- 这种方法有望促进神经退行性疾病的研究.
- 该模型是公开可访问的,用于进一步的研究和应用.
