siRNA 功能-自动机器学习 3D 分子指纹和结构用于治疗非目标数据的自动化机器学习

科学领域:

• 生物化学 生化学
• 生物信息学是一种生物信息学.
• 计算生物学 计算生物学

背景情况:

• 化学修饰是治疗小干扰RNA (siRNA) 的标准.
• 预测修改的siRNAs的脱效应仍然是一个重大挑战.
• 目前的基于序列的方法无法捕获关键的结构和蛋白质-RNA相互作用细节.

研究的目的:

• 开发一个框架来生成可重复的,基于结构的化学特征,以改善siRNA目标外预测.
• 为了比较机器学习模型的各种特征表示策略.

主要方法:

• 从一个RNA-Seq非目标研究中生成了超过3万个siRNA基因数据点.
• 开发了一个包含分子指纹和计算衍生的siRNA-hAgo2复杂结构的框架.
• 系统地比较了九种不同的特征表示策略,包括扩展连接指纹 (ECFP) 和能源最小化的结构对齐.

主要成果:

• 使用ECFP编码siRNA和mRNA特征 (数据集3) 实现了最高的预测性能.
• 代表siRNA-hAgo2结构对齐的能源最小化数据集 (7R) 显示了第二好的性能.
• 这些发现强调了将可重复的结构信息纳入特征工程的价值.

结论:

• 将详细的结构表示与基于序列的特征相结合,可以产生强大的,可复制的机器学习化学特征.
• 这种方法为siRNA治疗设计中准确的目标外预测提供了一个有希望的途径.
• 该框架可以扩展到包括各种化学修饰,如2'-F或2'-OMe.