预测代谢物与途径类别和个人途径的关联
Erik D Huckvale1,2, Hunter N B Moseley1,2,3,4,5
1Markey Cancer Center, University of Kentucky, Lexington, KY 40536, USA.
Metabolites
|September 27, 2024
概括
这项研究引入了一种新的机器学习模型,用于预测KEGG 3级代谢途径的代谢物关联,实现高精度. 这促进了我们对细胞代谢的理解,并有助于完成代谢知识库.
科学领域:
- 生物化学 生化学
- 计算生物学 计算生物学
- 系统生物学 系统生物学
背景情况:
- 代谢涉及复杂的生物化学反应,组织成路径.
- 像KEGG这样的代谢知识库至关重要,但不完整.
- 准确的代谢途径注释对于理解细胞功能至关重要.
研究的目的:
- 开发第一个机器学习模型,用于预测对粒度KEGG3级代谢途径的代谢物关联.
- 为了提高代谢途径注释的准确性和完整性.
主要方法:
- 设计功能和数据集以创建超过一百万个代谢物通路条目.
- 使用这个广泛的数据集训练了一个单一的二进制分类器.
- 采用100次交叉验证代来评估模型性能.
主要成果:
- 获得了0.806 ± 0.017的平均马修斯相关系数 (MCC),用于3级途径预测.
- 预测有172个3级通路,总体MCC为0.726.
- 通过预测2级路径,证明了强大的转移学习,MCC为0.891.
结论:
- 开发的模型在预测代谢物通路关联方面取得了重大进展.
- 结果超过了该领域的先前基准,提供了迄今为止最好的代谢途径预测.
- 这项工作为更全面的代谢知识库和对细胞代谢的更深入的见解做出了贡献.


