基于机器学习模型和来自序列的全面特征,改进了对抗血管原性的预测

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:

• 血管新生对于癌症生长和转移至关重要.
• 抗血管性 (AAPs) 通过抑制血管生成,显示出治疗潜力.
• 准确识别AAP对于开发新的癌症治疗方法至关重要.

研究的目的:

• 开发AAPL,一种基于序列的预测器,用于识别抗血管性 (AAP).
• 通过机器学习模型提高AAP的预测准确度.
• 为癌症研究和药物发现提供一个有价值的工具.

主要方法:

• 用58种特征类型将序列转换为数值向量.
• 一个启发式算法被用于特征选择.
• 通过在两个数据集 (整个序列和N-termini) 上使用所选特征,优化了六个机器学习模型.

主要成果:

• 在独立测试中,AAPL实现了高预测准确度,马修的相关系数为0.671和0.756.
• AAPL的表现比现有的预测指标高出5.3%至24.6%.
• 预测准确度与化合物组成相关:对于具有更多疏水性残留物和较少疏水性/充电性残留物的,准确度更高.

结论:

• AAPL是一个准确和有效的工具,用于识别抗血管性.
• 开发的预测器比癌症治疗研究的现有方法提供了更好的性能.
• AAPL的性能受到的物理化学特性的影响,为AAP设计提供了洞察力.