AAGP集成了物理化学和组成特征,用于基于机器学习的抗衰老的预测
Saptashwa Datta1, Jen-Chieh Yu2, Yi-Hsiang Lin1
1Department of Bioinformatics and Medical Engineering, Asia University, Taichung, Taiwan.
Scientific reports
|August 8, 2025
概括
计算方法加速了抗衰老的发现. 一个新的预测器,AAGP,使用各种特征以高精度识别潜在的抗衰老,帮助治疗开发.
科学领域:
- 生物技术是生物技术.
- 计算生物学 计算生物学
- 老年学是一门学科.
背景情况:
- 老龄化是一个自然过程,涉及生理衰退,导致诸如纹和免疫功能障碍之类的疾病.
- 类疗法为抗衰老干预提供了一个有希望的途径,因为它们的安全性和特异性.
- 计算方法可以加快有效的抗衰老的识别.
研究的目的:
- 开发和验证用于预测抗衰老的准确计算工具.
- 探索物理化学和组成特征在抗衰老预测中的实用性.
- 为该领域的研究人员提供一个开源工具 (AAGP).
主要方法:
- 用抗衰老作为积极例子构建两个不同的数据集.
- 使用4,305个特征编码,并采用自适应性特征选择.
- 使用九个机器学习模型进行严格的交叉验证和独立测试.
主要成果:
- 在独立的测试组中,AAGP预测器表现强,MCC值为0.692和0.580,AUC值为0.963和0.808.
- 特性重要性分析显示,物理化学特征对一个数据集更为关键,而组成特征则主导了另一个数据集.
- 该研究成功地确定了驱动抗衰老预测的关键特征.
结论:
- AAGP提供了一种可靠的计算方法来识别潜在的抗衰老.
- 这些发现突显了特征在预测抗衰老活性方面的差异性重要性.
- AAGP源代码的可用性有助于进一步研究和开发抗衰老的发现.
