使用光梯度增强机 (LightGBM) 技术预测血清抗HSP27抗体标位的变化
Nasrin Talkhi1,2, Mehdi Jabbari Nooghabi3,4, Habibollah Esmaily1,5
1Department of Biostatistics, School of Health, Mashhad University of Medical Sciences, Mashhad, Iran.
Scientific reports
|August 7, 2023
概括
机器学习确定了与热冲击蛋白27 (HSP27) 抗体标位相关的关键因素,揭示了亲氧化剂-抗氧化剂平衡 (PAB) 和身体活动水平 (PAL) 作为重要的预测因素. 这些见解增强了对HSP27的理解.
科学领域:
- 生物化学和分子生物学
- 计算生物学和生物信息学
- 免疫学 免疫学 免疫学
背景情况:
- 热冲击蛋白27 (HSP27) 及其抗体标位与包括心血管疾病在内的各种疾病有关.
- 以前用于研究抗HSP27抗体标位的分析方法在范围和复杂性方面是有限的.
- 了解影响抗HSP27抗体标位的因素对于疾病发病研究至关重要.
研究的目的:
- 用先进的集体机器学习方法识别和分析与血清抗HSP27抗体标位相关的因素.
- 量化这些预测因子对抗HSP27抗体标位的影响的大小和方向.
- 探索抗HSP27抗体标位与临床/生化参数之间的关系.
主要方法:
- 使用Python 3来实现整体机器学习模型:LightGBM,CatBoost,XGBoost,AdaBoost,SVR,MLP和MLR.
- 利用K-Fold交叉验证,以基于RMSE,MAE和MAPE等指标进行可靠的模型评估和选择.
- 应用SHAP (夏普利添加式扩展) 和PFI (突变特征重要性) 来解释模型预测和识别关键驱动因素.
主要成果:
- 这种LightGBM模型表现出高性能 (RMSE:0.1900±0.0124,MAE:0.1471±0.0044,MAPE:0.8027±0.064).
- 与抗HSP27抗体标位相关的关键因素包括亲氧化剂-抗氧化剂平衡 (PAB),体力活动水平 (PAL),血小板分布宽度和静脉血压.
- PAB显示出强烈的直接关联,而PAL显示出与血清抗HSP27抗体标位的间接关系.
结论:
- 整体机器学习有效地确定了血清抗HSP27抗体标位的显著预测因子.
- 亲氧化剂-抗氧化剂平衡 (PAB) 和体力活动水平 (PAL) 是影响抗HSP27抗体标位的关键因素.
- 这些发现有助于更深入地了解抗HSP27抗体动态及其在疾病发展中的潜在作用.
