扩展的二组合框架用于准确识别抗癌

科学领域:

• 生物化学 生物化学
• 计算生物学 计算生物学
• 生物信息学是一种生物信息学.

背景情况:

• 准确识别抗癌 (ACP) 对于推进基于的癌症疗法至关重要.
• 经典模型,如分离氨基酸组成 (SAAC) 和伪氨基酸组成 (PseAAC),在ACP预测的特征表示上有局限性.
• 需要先进的框架来提高ACP识别的准确性和效率.

研究的目的:

• 提出和开发基于增强特征提取的ACP识别的先进框架.
• 引入扩展二组合 (EDPC) 框架,该框架考虑了局部序列环境并改进了特征集.
• 用机器学习算法对现有方法进行EDPC框架的性能评估.

主要方法:

• 开发了扩展二组合 (EDPC) 框架,集成了局部序列环境信息.
• 利用CD-HIT框架来减轻特征数据中的噪音和冗余.
• 采用四种机器学习算法 (SVM,DT,RF,KNN) 来进行分类和评估.
• 在多个数据集中使用准确度,特异性,灵敏度,精度,回忆和F1-Score来评估性能.

主要成果:

• 与SAAC和PseAAC相比,提议的EDPC框架显示出更高的性能.
• 支持矢量机器 (SVM) 模型在EDPC框架中实现了最高的准确率96.6%.
• 在各种数据集中观察到特异性,灵敏度,精度和F1分数的显著改善.
• EDPC框架有效地处理噪音和冗余功能,提供强大的分类性能.

结论:

• EDPC框架,通过其增强的特征表示和考虑本地/全球序列配置文件,显著改善了ACP分类.
• 该框架能够管理噪音和冗余性,使其成为需要ACP识别的临床应用的有价值工具.
• 未来的研究方向包括扩大数据集,整合三级结构信息,并探索深度学习技术.