基于混合贝叶斯优化对甲基化站点预测的图形发现

科学领域:

• 生物化学和分子生物学
• 计算生物学 计算生物学
• 生物信息学是一种生物信息学.

背景情况:

• 蛋白质甲基化是一个关键的可逆转化后翻译性修饰调节基因表达.
• 甲基化位点是心血管和肺部疾病的生物标志物.
• 现有的预测方法主要使用蛋白质序列,忽视拓信息.

研究的目的:

• 开发一个创新的框架,GraphMethySite,用于使用图形卷积网络和贝叶斯优化来预测蛋白质甲基化位点 (PMSP).
• 通过结合蛋白质拓信息来提高预测准确性.
• 以混合贝叶斯优化 (GraphMethySite+) 扩展GraphMethySite,以实现最佳的子图提取和残留相互作用的可视化.

主要方法:

• 开发了GraphMethySite框架,使用图形卷积网络和贝叶斯优化.
• 将框架扩展到GraphMethySite+通过与混合贝叶斯优化进行合.
• 利用基于图的方法来分析围绕候选甲基化位点的拓特征.
• 在两个扩展蛋白质甲基化数据集上评估了性能.

主要成果:

• GraphMethySite+有效地提取最佳子图,并可视化氨基酸残留中的拓相关性.
• 与现有的最先进的方法相比,拟议的框架显示出更高的预测准确性.
• 经验结果证实了利用蛋白质拓在PMSP预测中的优势.

结论:

• 通过整合图形理论和机器学习,GraphMethySite+提供了一种先进的方法来预测蛋白质甲基化位点.
• 该框架强调了拓信息对于提高PMSP预测准确性的重要性.
• 这种方法为了解蛋白质功能和疾病病原体提供了有价值的工具.