堆-AAgP:使用元学习框架对抗血管生成的计算预测和解释
Saima Gaffar1, Hilal Tayara2, Kil To Chong3
1Department of Electronics and Information Engineering, Jeonbuk National University, Jeonju, 54896, South Korea.
Computers in biology and medicine
|April 13, 2024
概括
鉴定抗血管原性 (AAP) 对癌症药物发现至关重要. 一个新的整体模型,Stack-AAgP,准确地识别了AAP,以提高准确性和MCC优于现有的方法. 这有助于开发新的癌症疗法.
科学领域:
- 生物化学 生物化学
- 计算生物学 计算生物学
- 在瘤学瘤学.
背景情况:
- 血管新生在人类疾病,特别是固体瘤中至关重要.
- 具有抗血管原性质的是一种有前途的癌症治疗途径.
- 准确识别抗血管性 (AAPs) 是药物发现的关键.
研究的目的:
- 开发一种新的集体学习模型,用于准确识别和解释AAPs.
- 为了利用机器学习算法和功能编码来增强AAP预测.
主要方法:
- 开发了一个全新的集体学习模型,Stack-AAgP.
- 使用6个ML算法和4个特征编码生成了24个基线模型.
- 一个堆叠的整体框架集成了最终预测模型的元分类器.
主要成果:
- 堆叠AAgP显著超过了最先进的方法.
- 在NT15数据集上进行评估时,Stack-AAgP的准确性提高了5%-7.5%.
- 马修斯相关系数 (MCC) 与现有预测指标相比增加了7.2%-12.2%.
结论:
- 堆-AAgP在识别AAP方面表现出卓越的表现.
- 该模型为发现新型抗癌药物提供了一个强大的框架.
- 进一步的研究可以探索Stack-AAgP的超参数优化.
更多相关视频
07:46Microfluidic Co-Culture Models for Dissecting the Immune Response in in vitro Tumor Microenvironments
Published on: April 30, 2021
4.7K
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.2K
