通过各种先进的机器学习模型,估计和验证复合蛋白在大肠杆菌菌株中的可溶性

科学领域:

• 生物技术是生物技术.
• 计算生物学 计算生物学
• 机器学习 机器学习

背景情况:

• 预测重组蛋白质溶解度对于生物工艺开发至关重要.
• 现有的方法往往缺乏对各种大肠杆菌样本的准确性和稳定性.
• 机器学习为改善可溶性预测提供了一个有希望的途径.

研究的目的:

• 开发和评估一种机器学习框架,用于预测大肠杆菌中重组蛋白溶解度.
• 为了比较在AdaBoost框架内集成的各种回归模型的性能.
• 使用火算法 (FA) 优化模型超参数,以提高预测准确度.

主要方法:

• 使用的机器学习模型:AdaBoost,决策树回归 (DT),高斯过程回归 (GPR),K-最近邻居 (KNN).
• 在AdaBoost框架内集成的模型和使用火算法 (FA) 的优化超参数,具有5倍交叉验证.
• 使用数据预处理技术,包括基于直方图的异常值检测 (HBOD) 和Z-score规范化.

主要成果:

• 具有高斯过程回归的AdaBoost (ADA-GPR) 模型显著超过了ADA-DT和ADA-KNN.
• ADA-GPR取得了高的R2测试分数和低的平均平方误差,表明了卓越的预测性能.
• 该模型表现出异常的一致性和稳定性,在交叉验证折叠中具有较低的标准偏差 (0.05188).

结论:

• 使用ADA-GPR的混合优化方法为模拟大肠杆菌中蛋白质溶解度提供了可扩展和有效的解决方案.
• 通过混合优化确定了通过混合优化影响蛋白质溶解性的关键变量.
• 开发的框架提高了生物工艺应用的预测准确性和模型稳定性.