BrainPepPass:基于监督的尺寸缩小的框架,用于预测穿透血脑屏障的

科学领域:

• 生物技术是生物技术.
• 计算生物学 计算生物学
• 神经科学是一个神经科学.

背景情况:

• 穿越血脑屏障 (BBB) 的对于理解大脑病理和开发治疗方法至关重要.
• 计算方法提供了一种具有成本效益的方法,用于选大型类图书馆进行BBB透.
• 识别BBB透 (B3PPs) 是向大脑提供向药物的关键.

研究的目的:

• 开发和验证一个机器学习框架BrainPepPass,用于预测B3PPs.
• 评估BrainPepPass的性能与现有的分类方法相比.
• 为B3PPs的学术研究提供一个公开可访问的工具.

主要方法:

• 利用监督的多重维度减小和极端梯度提升 (XGB) 算法.
• 开发了一个机器学习 (ML) 框架,命名为BrainPepPass.
• 通过使用十倍交叉验证,离开一次的交叉验证 (LOOCV) 和独立测试来评估模型.

主要成果:

• BrainPepPass实现了高预测准确度,超过了10倍CV中的94%和LOOCV中的98%.
• 独立测试表明准确度值在45%至97.05%之间.
• 拟议的ML框架在预测B3PPs方面表现优于其他现有分类器.

结论:

• BrainPepPass是一个非常准确和有效的工具,用于预测自然和化学修饰的B3PPs.
• 计算方法显著推进了针对大脑的治疗应用的类的识别.
• 在GitHub上提供BrainPepPass工具,促进神经治疗和药物输送领域的进一步研究.