IF-AIP:一种机器学习方法,用于识别使用多功能融合策略的抗炎
Saima Gaffar1, Mir Tanveerul Hassan1, Hilal Tayara2
1Department of Electronics and Information Engineering, Jeonbuk National University, Jeonju, 54896, South Korea.
Computers in biology and medicine
|November 21, 2023
概括
一个新的模型,IF-AIP,准确地识别了用于治疗自身免疫性疾病的抗炎性 (AIP). 这种计算方法为具有有害副作用的传统药物提供了一个有希望的替代方案.
科学领域:
- 计算生物学是一种计算生物学.
- 生物化学 生物化学
- 免疫学 免疫学 免疫学
背景情况:
- 目前用于炎症和自身免疫性疾病的疗法,如非特异性抗炎药物,具有危险的副作用.
- 抗炎性 (AIPs) 正在成为治疗诸如类风湿关节炎和阿尔茨海默病等疾病的有希望的替代疗法.
- 准确识别AIP对于开发新型治疗策略至关重要.
研究的目的:
- 开发和验证用于准确识别抗炎 (AIPs) 的计算模型.
- 通过先进的机器学习技术,改进现有的AIP识别方法.
主要方法:
- 一个投票分类器模型 (IF-AIP) 使用八个不同的特征描述符连接成一个混合特征集.
- 五个传统的机器学习分类器在混合功能集上接受了培训,并通过投票分类器集成.
- 使用特征选择算法来优化最终IF-AIP模型的特征集.
主要成果:
- 与现有方法相比,IF-AIP模型在两个独立数据集上的准确度 (2.9%-5.7%) 和MCC得分 (6.7%-10.8%) 显著改善.
- 在对比分析中,IF-AIP方法正确地将所有24个新序列确定为AIP,展示了卓越的性能.
- 源代码,预训练模型和数据集是公开可用的可复制性和进一步研究.
结论:
- 开发的IF-AIP模型为识别抗炎提供了一个高度准确和高效的方法.
- 这种计算方法有助于推进针对炎症和自身免疫性疾病的基于的新型治疗方法的开发.
- 投资基金-AIP模型和相关资源的可用性促进了该领域的进一步研究和应用.
