VacSol-ML ((ESKAPE) _: 机器学习使ESKAPE病原体的疫苗抗原预测成为可能

科学领域:

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

背景情况:

• 这些ESKAPE病原体 (菌杆菌,金黄色葡萄球菌,肺炎菌,宝曼菌, Pseudomonas aeruginosa 和 Enterobacter spp.) 由于高毒性和抗生素耐药性,是医院获得感染的主要原因.
• 开发新的疫苗和疗法对于打击这些耐药病原体和减少相关的发病率和死亡率至关重要.
• 传统的疫苗设计资源密集;反向疫苗学 (RV) 和机器学习 (ML) 提供更有效的方法.

研究的目的:

• 开发和验证一个监督的ML分类框架VacSol-ML (ESKAPE),用于预测潜在的疫苗候选物 (PVC) 对抗ESKAPE病原体.
• 使用AI和ML技术,提高用于疫苗开发的保护性抗原识别的效率和准确性.
• 为研究人员提供公开可访问的工具,以加快针对关键ESKAPE病原体的疫苗发现.

主要方法:

• 使用已知的保护性抗原和ESKAPE病原体的非保护性蛋白质的生物和物理化学特性,开发了一个监督的ML分类框架.
• 传统的自动编码器用于特征编码和选择.
• 通过分层5倍交叉验证训练和评估了7个ML算法,随机森林和物流回归显示出卓越的性能;创建了一个集合模型.

主要成果:

• 整体模型VacSol-ML ((ESKAPE)) 在多个指标上表现出高性能,包括准确性,精度,回忆,F1得分和曲线下的面积.
• 该模型显示出在基准数据集上识别保护性疫苗候选物 (PVC) 与非保护性抗原的优异歧视能力.
• VacSol-ML (ESKAPE) 有效地预测了潜在的疫苗候选人,对ESKAPE病原体的疫苗开发管道有显著的帮助.

结论:

• VacSol-ML ((ESKAPE) 是一种强大而有效的工具,用于加快针对关键ESKAPE病原体的候选疫苗的识别.
• 开发的ML框架显著改善了逆向疫苗学的传统方法.
• 通过Web服务器和独立版本向公众提供VacSol-ML (ESKAPE) 促进了疫苗开发的合作研究和创新.