使用机器学习和有效的特征选择技术进行抗原动物预测
Neha Periwal1, Pooja Arora2, Ananya Thakur1
1Department of Biochemistry, Jamia Hamdard, India.
Heliyon
|September 9, 2024
概括
这项研究引入了一种机器学习框架,用于预测抗原动物,提供了一种新的方法来对抗耐药原生动物感染. 开发的模型在识别潜在的抗原动物上表现出高准确度.
科学领域:
- 计算生物学是一种计算生物学.
- 药物发现 药物发现
- 机器学习在医学中的应用
背景情况:
- 原生动物感染导致显著的死亡率和耐药性,需要新的治疗策略.
- 抗微生物是有希望的候选药物,但对抗原动物的研究是有限的.
- 这项研究解决了对抗原虫的预测工具的需求.
研究的目的:
- 开发和验证用于预测抗原动物的机器学习框架.
- 根据各种负数据集对潜在的抗原动物进行分类.
主要方法:
- 收集经过实验验证的抗原动物作为积极数据集.
- 使用多个负数据集 (非抗微生物,抗病毒,抗菌,抗真菌,非原生动物抗微生物).
- 使用pfeature提取了特征,并使用SVC-L1和mRMR选择了相关特征,然后应用了五个分类器 (决策树,随机森林,SVM,后勤回归,XGBoost).
主要成果:
- 使用mRMR特征选择的XGBoost分类器在预测抗原动物上取得了最高的准确性.
- 在验证数据集中,准确度从86.36% (vs抗菌) 到97.27% (vs非抗菌) 不等.
- 该框架有效地将抗原动物与其他各种类区分开来.
结论:
- 一个强大的机器学习框架来预测抗原动物已经成功开发出来.
- 开发的模型被集成到一个用户友好的Web服务器中,供公众访问.
- 这种工具可以加快新型抗原动物治疗方法的发现.
