预-AHCP:通过机器学习对抗C型肝炎的强大的特征选择启用序列特定预测

科学领域:

• 计算生物学 计算生物学
• 生物化学 生物化学
• 机器学习 机器学习

背景情况:

• 肝炎C病毒 (HCV) 感染每年影响150万人,导致严重的肝病.
• 预测抗病毒对于治疗开发至关重要,但很少有研究专注于像HCV这样的特定病毒.
• 机器学习 (ML) 为识别有效的抗病毒提供了一个有希望的途径.

研究的目的:

• 开发和微调一个用于预测抗肝炎C (AHCPs) 的机器学习模型.
• 为了利用胺氨基酸序列和物理化学性质来预测抗HCV潜力.
• 为预测和重新设计AHCP提供一个Web服务器资源.

主要方法:

• 基于序列和物理化学性质的特征计算.
• 使用相互信息和差异膨胀因子来删除冗余特征的特征选择.
• 开发和评估ML模型,随机森林显示最佳性能.

主要成果:

• 一个微调的,可解释的ML模型在预测AHCP时达到约92%的准确性.
• 关键的预测特征包括疏水性,极化性,线圈形成残留物,甘氨酸频率和特定的二基因 (VL,LV,CC).
• 预测-AHCP网络服务器 (http://tinyurl.com/web-Pred-AHCP) 可用于预测和重新设计AHCP.

结论:

• 开发的ML模型有效地预测了抗肝炎C,有助于设计基于的治疗方法.
• 该方法可以扩展到预测其他病毒感染的抑制剂.
• 该模型用于验证AI生成的序进行优化.