开发基于机器学习的amyloidogenicity预测器,使用Cross-Beta DB
Valentin Gonay1,2, Michael P Dunne2, Javier Caceres-Delpiano3
1CRBM UMR 5237 CNRS, Université Montpellier, Montpellier, France.
概括
开发了一个自然存在的粉样蛋白和机器学习 (ML) 预测器的新数据库. 这种预测器,Cross-Beta,在识别氨基酸形成蛋白质方面表现出高精度,有助于评估神经退行性疾病的风险.
科学领域:
- 生物化学 生物化学
- 计算生物学 计算生物学
- 基因组学就是基因组学.
背景情况:
- 蛋白质氨基代与各种疾病和生物功能有关.
- 准确的amyloidogenicity计算预测对于理解这些过程至关重要.
- 人工智能驱动的预测器的性能严重依赖于训练数据的质量.
研究的目的:
- 创建自然发生的交叉β粉样蛋白质的高质量数据库.
- 开发和对机器学习 (ML) 算法进行基准测试,以预测蛋白质粉样蛋白形成潜力.
- 引入一种新的计算工具来评估氨基原性.
主要方法:
- 构建Cross-Beta DB,这是已知的交叉β粉样蛋白的精心策划的数据库.
- 使用交叉贝塔数据库数据集对多个ML算法的训练和评估.
- 开发使用额外树木ML算法的交叉贝塔预测器.
主要成果:
- 与现有方法相比,Cross-Beta预测器取得了更高的性能.
- 该预测器显示高F1得分为0.852,准确度为0.844.
- 开发的ML模型有效地预测了蛋白质的粉样蛋白形成潜力.
结论:
- 交叉贝塔DB数据库为粉样蛋白研究提供了宝贵的资源.
- 交叉β预测器提供了一个强大的工具来识别氨基原蛋白.
- 这一进步可能有助于针对神经退行性疾病和其他粉样蛋白病的个性化风险分析.
更多相关视频
06:34A Tailored HPLC Purification Protocol That Yields High-purity Amyloid Beta 42 and Amyloid Beta 40 Peptides, Capable of Oligomer Formation
Published on: March 27, 2017
11.9K
08:25Detecting Amyloid-β Accumulation via Immunofluorescent Staining in a Mouse Model of Alzheimer's Disease
Published on: April 19, 2021
3.2K
