随着Plasmodium falciparum数据的添加,Plasmodium vivax抗原候选人的预测得到了改善
Renee Ti Chou1, Amed Ouattara2, Shannon Takala-Harrison3
1Center for Bioinformatics and Computational Biology, University of Maryland, College Park, College Park, MD, USA.
NPJ systems biology and applications
|November 13, 2024
概括
开发针对Plasmodium vivax疟疾的疫苗是一项挑战. 这项研究使用机器学习和P. falciparum的数据来识别潜在的P. vivax疫苗抗原,改善疟疾疫苗开发.
科学领域:
- 寄生虫学的寄生虫学
- 免疫学 免疫学 免疫学
- 计算生物学 计算生物学
背景情况:
- 由于控制努力,疟疾发病率有所下降,但Plasmodium vivax现在在非洲以外的许多地区占主导地位.
- 由于培养的挑战,P. vivax疫苗的研发落后于P. falciparum,阻碍了抗原的识别.
- 机器学习,特别是积极未标记的随机森林 (PURF),已经显示出确定P. falciparum疫苗抗原的希望.
研究的目的:
- 改进用于识别P.vivax疫苗抗原候选人的预测模型.
- 利用P. falciparum的系统数据来增强P. vivax抗原的发现.
- 探索跨物种数据在机器学习中对疫苗抗原识别的有用性.
主要方法:
- 采用了积极未标记的随机森林 (PURF) 机器学习方法.
- 集成系统数据来自Plasmodium falciparum,以改进P. vivax.的模型.
- 评估了包括已知的抗原和来自相关物种的未标记蛋白质在模型性能上的影响.
主要成果:
- 改进的PURF模型结合P. falciparum数据来预测P. vivax疫苗抗原候选人.
- 证明,包括来自P. falciparum的已知抗原对于模型性能至关重要.
- 表明只包括来自P. falciparum的未标记蛋白质可能导致错误分类,优先考虑物种识别而不是抗原识别.
结论:
- 跨物种数据集成,特别是已知的抗原,对于增强在疫苗抗原发现中的机器学习模型至关重要.
- 这种方法有可能开发针对P.vivax和其他具有有限已知的抗原的新兴病原体的疫苗.
- 该研究强调了在跨物种机器学习应用中仔细选择数据的重要性,以确定疫苗候选者.
