UbNiRF:基于零重要性和随机森林的混合框架,它结合了多个特征,以预测Arabidopsis thaliana和Homo sapiens中的息地
Xiaokang Li1, Zheming Yuan1, Yuan Chen1
1Hunan Engineering & Technology Research Centre for Agricultural Big Data Analysis & Decision-Making, Hunan Agricultural University, 410128 Changsha, Hunan, China.
Frontiers in bioscience (Landmark edition)
|May 30, 2024
概括
这项研究介绍了UbNiRF,这是一种新的机器学习模型,用于准确预测Arabidopsis thaliana和Homo sapiens中的蛋白质无处不在的位置. 通过优化特征选择和采用先进的算法来获得更好的生物见解,UbNiRF改进了现有方法.
科学领域:
- 生物化学和分子生物学
- 生物信息学和计算生物学
- 基因组学和蛋白质组学
背景情况:
- 乌比基因化是一种关键的翻译后蛋白质修饰,调节细胞功能,如细胞循环和DNA修复.
- 准确识别无处不在的地点对于理解生物机制至关重要.
- 机器学习为资源密集型的实验方法提供了成本有效的替代方案,用于网站预测.
研究的目的:
- 开发一种更准确,更有效的计算工具,用于预测蛋白质无处不在的位置.
- 解决现有模型在序列窗口选择和特征提取方面的局限性.
- 为了创建Arabidopsis thaliana和Homo sapiens的特定物种模型.
主要方法:
- 通过千-平方测试确定最佳序列窗口.
- 评估了六个功能:二进制编码 (BE),CKSAAP,EAAC,PWM,AA531和PSSM.
- 使用mRMR,Elastic净和Null进口来选择特征,并使用SVM,DT,RF和XGBoost分类器.
- 确定了零进口和随机森林 (RF) 组合作为最佳模型,命名为UbNiRF.
主要成果:
- 与现有的预测工具相比,UbNiRF在五个指标上表现出卓越的性能.
- 达到了高的马修斯相关系数 (MCC) 值:A. thaliana的0.827和H. sapiens的0.781.
- 功能分析证实了整合六个不同的功能对于增强模型性能的重要性.
结论:
- UbNiRF是一种高效的工具,用于预测A. thaliana和H. sapiens的无处不在地点.
- 该模型的强大性能和特定物种的能力有助于理解与无处不在相关的生物和疾病机制.
- UbNiRF为研究蛋白质无化的研究人员提供了宝贵的见解.
