HEPAD:通过适应性特征工程和多样化的序列描述器来增强血解性的预测
Sih-Han Chen1, Jen-Chieh Yu1, Yi-Hsiang Lin2
1Graduate Institute of Genomics and Bioinformatics, National Chung Hsing University, Taichung, Taiwan.
BMC bioinformatics
|October 1, 2025
概括
HEPAD是一种新的机器学习工具,可以准确识别潜在的溶血性,这些对于药物开发有问题. 这种计算模型通过早期预测和标记这些来帮助类药物发现.
科学领域:
- 计算生物学和生物信息学
- 药物的发现和开发.
- 机器学习在医学中的应用
背景情况:
- 类是有价值的治疗剂,因为它们的选择性和低成本.
- 溶血性在类药物开发中具有挑战性,因为它会损害红细胞.
- 对溶血性的计算识别对于推进疗法至关重要.
研究的目的:
- 开发一种机器学习预测器,HEPAD,用于识别血溶性.
- 为了提高血溶性预测在药物发现的准确性和效率.
主要方法:
- 利用多种序列描述器来对的特征编码.
- 实施了自适应特征工程方法,以创建定制的特征子集.
- 采用五种不同的机器学习算法进行严格的验证.
主要成果:
- 在独立的数据集上,HEPAD实现了高精度,马修的相关系数 (MCC) 为0.973,0.643和0.609.
- 与现有方法相比,显示了显著的改进,在MCC中从1.9%到13.3%不等.
- 数据可视化证实了定制特征子集在分辨血溶性中的有效性.
结论:
- HEPAD提供了一种有效的方法来识别潜在的溶血性.
- 该工具加速了类药物发现中的实验过程.
- 源代码,数据集和模型是公开可用的,以便进一步研究.
