一种MCDM方法用于反向疫苗学模型来预测细菌保护性抗原

科学领域:

• 生物信息学是一种生物信息学.
• 计算生物学 计算生物学
• 疫苗开发 疫苗开发

背景情况:

• 反向疫苗学 (RV) 使用计算方法来设计疫苗.
• 机器学习 (ML) 提高了VR的准确性,但预测和可访问性的挑战仍然存在.
• 准确识别细菌保护抗原 (BPAgs) 对于有效的疫苗开发至关重要.

研究的目的:

• 开发一种基于ML的监督方法来对BPAgs进行分类.
• 确定用于BPAg预测的始终高性能ML模型.
• 建议采用多标准决策 (MCDM) 方法来选择VR中最佳的ML模型.

主要方法:

• 使用了来自Protegen和Uniprot数据库的六个具有生理化学特征的ML分类器.
• 应用合成少数群体过量采样技术和编辑的最近邻居 (SMOTE-ENN) 来解决数据不平衡.
• 实施了软硬排名模型,采用了通过与理想解决方案相似的顺序偏好技术 (TOPSIS) 和模型选择的.

主要成果:

• 拟议的MCDM方法有效地对BPAg分类的ML模型进行排名.
• 随机森林和极端梯度提升被确定为表现最佳的模型.
• 开发的方法在基准数据集上表现出优越的性能,与现有的开源VR工具相比.

结论:

• 新的ML和MCDM框架提高了BPAg在反向疫苗学中的识别准确性.
• 这种方法为疫苗抗原预测提供了更强大,更容易获得的方法.
• 这些发现有助于推进合理的疫苗设计策略.