基于机器学习的模型,用于准确识别可用药物的蛋白质,使用光极端梯度增强
Omar Alghushairy1, Farman Ali2, Wajdi Alghamdi3
1Department of Information Systems and Technology, College of Computer Science and Engineering, University of Jeddah, Jeddah, Saudi Arabia.
Journal of biomolecular structure & dynamics
|October 18, 2023
概括
鉴定可制药蛋白 (DPs) 对于药物发现至关重要. 这项研究介绍了Drug-LXGB,这是一种机器学习预测器,可以有效地识别潜在的药物标,改善新药开发和个性化医疗.
科学领域:
- 计算生物学是一种计算生物学.
- 药物发现 药物发现
- 生物信息学是一种生物信息学.
背景情况:
- 识别可药化蛋白质 (DPs) 对于推进药物开发,个性化医学和了解疾病机制至关重要.
- 机器学习方法为DP识别的传统方法提供了更有效和更具成本效益的替代方案.
研究的目的:
- 介绍Drug-LXGB,一种新型的计算预测器,旨在增强可药性蛋白质的识别.
- 探索和整合各种特征描述符,以提高DP预测准确度.
主要方法:
- 使用的特征描述符包括组合,过渡和分布 (CTD),K间隔氨基酸对组合 (CKSAAP),伪位置特定评分矩阵 (PsePSSM) 和多块伪氨基酸组合 (MB-PseAAC).
- 采用顺序向前选择来选择特征,并评估机器学习模型,如随机森林,极端梯度增强和轻 eXtreme梯度增强 (LXGB).
- 使用10倍交叉验证来评估性能.
主要成果:
- 通过顺序前选择选择的集成特征集提供了可靠的预测特征.
- 基于光 eXtreme梯度增强 (LXGB) 的模型在与其他现有预测器相比,显示出优异的预测性能.
- 药物-LXGB模型在识别可使用药物的蛋白质方面取得了最高的准确性.
结论:
- 开发的Drug-LXGB协议显著增强了可药性蛋白质的识别,有助于新药设计.
- 这种计算方法为潜在的药物点提供了更普遍的观点,加速了治疗开发.
- 这些发现预计将有助于探索潜在的药物标,并推进个性化医疗.
