EnILs:一种通用集成计算方法,用于预测多个互白蛋白的诱导
Rui Su1, Jujuan Zhuang1, Shuhan Liu1
1Department of Statistics, School of Science, Dalian Maritime University, Dalian, Liaoning, China.
概括
一个新的机器学习模型,EnILs,准确地预测介质蛋白 (IL) 诱导. 这种通用方法改进了现有的方法,并在COVID-19尖端蛋白中识别了潜在的IL-6.
科学领域:
- 免疫学和计算生物学.
- 专注于细胞因子信号传递和预测.
背景情况:
- 互白蛋白 (ILs) 是免疫反应中至关重要的细胞因子.
- 升高的IL-6与严重的COVID-19有关.
- IL-10和IL-17在宿主防御中起着保护作用.
研究的目的:
- 开发一种通用机器学习模型,用于预测诱导各种互白蛋白的.
- 为了提高超越现有的单独模型的预测性能.
主要方法:
- 结合统计序列特征与文字嵌入.
- 开发了一个集体模型 (EnILs),集成随机森林,极端梯度增强和神经网络预测.
- 使用平均概率集成进行预测.
主要成果:
- EnILs在预测IL-6,IL-10和IL-17诱导方面表现出相当大的表现.
- 该模型提供了一种通用方法,与以前的单独预测方法不同.
- 在SARS-CoV-2尖端蛋白中确定了潜在的IL-6诱导.
结论:
- EnILs提供了一种有效和可通用的方法来预测诱导互白素的.
- 这些发现有助于理解细胞因子介导的免疫反应和潜在的治疗点.
- 已识别的需要进一步的实验验证,特别是在COVID-19的背景下.
