iAVP-RFVOT:通过随机森林投票识别抗病毒,使用机器学习与统一多重学习嵌入式功能进行机器学习

科学领域:

• 生物技术是生物技术.
• 计算生物学 计算生物学
• 传染性疾病 传染性疾病

背景情况:

• 病毒引起各种疾病,需要有效的治疗.
• 抗病毒 (AVP) 提供了对抗病毒感染的低副作用策略.
• 实验性AVP识别速度缓慢且资源密集,突出显示了对计算工具的需求.

研究的目的:

• 开发一个准确的人工智能 (AI) 模型来预测抗病毒序列.
• 加快新型抗病毒 (AVP) 的发现和开发.
• 为AVP预测创建一个强大的基准数据集.

主要方法:

• 通过整合公共数据库和文献,构建了一个新的基准数据集.
• 开发了iAVP-RFVOT模型,使用BLOSUM62功能,UMAP嵌入和微分.
• 应用了严格的特征工程,数据再平衡和集合随机森林分类器.

主要成果:

• 实现了87.6%的5倍交叉验证精度和0.753.75的马修相关系数 (MCC).
• 在一个独立的测试套件上证明了85.8%的预测准确度和0.519的MCC.
• 在AVP预测中表现优于现有的最先进的 (SOTA) 模型.

结论:

• 该iAVP-RFVOT模型提供了一个非常准确和有效的方法来预测抗病毒.
• 这种人工智能驱动的方法显著加快了潜在的AVP候选人的识别.
• 这项研究为通过先进的计算方法对抗病毒感染提供了有价值的工具.