通过机器学习和分子对接加速VOC-OBP相互作用选:为虫害虫发现半化学物质
Xaviera López-Cortés1, Nicolás Fernández2, Gabriel Lara2
1Department of Computer Sciences and Industries, Universidad Católica del Maule, Talca 3466706, Chile; Centro de Innovación en Ingeniería Aplicada (CIIA), Universidad Católica del Maule, Talca 3466706, Chile.
Computational biology and chemistry
|November 22, 2025
概括
这项研究使用机器学习来预测蝶臭剂结合蛋白 (OBP) 与挥发性有机化合物 (VOC) 的相互作用. 轻GBM模型实现了最好的预测准确度,加速了用于害虫管理的分子查.
科学领域:
- 计算化学是一种计算化学.
- 生物信息学是一种生物信息学.
- 机器学习是机器学习.
背景情况:
- 气味结合蛋白 (OBPs) 对于昆虫的嗅觉至关重要.
- 预测挥发性有机化合物 (VOC) 和OBP之间的结合亲缘关系对于开发基于半化学的害虫控制策略至关重要.
- 目前用于选分子相互作用的实验方法耗时且劳动密集.
研究的目的:
- 开发和评估一种基于机器学习的方法,用于预测VOC和 OBP之间的结合亲和关系.
- 为了加快分子选潜在半化学品的过程.
- 为了减少用于害虫控制的分子识别的实验工作量.
主要方法:
- 评估了一组多样化的回归模型,包括集体方法 (LightGBM,XGBoost,梯度提升,随机森林),支持向量回归器,卷积神经网络和贝叶斯线性模型.
- 使用诸如确定系数 (R2),根平均平方误差 (RMSE) 和平均绝对误差 (MAE) 等指标来评估模型性能.
主要成果:
- 轻GBM回归器表现出卓越的性能,其R2值为0.7101,RMSE值为0.2979,MAE值为0.2200.
- 基于集团的增强算法,如LightGBM,在绑定亲和数据中有效地捕获了复杂的非线性关系.
- 线性模型,如贝叶斯山脊回归器,显示出有限的预测准确性,表明相互作用的复杂性.
结论:
- 机器学习,特别是组合方法,为预测VOC-OBP结合亲缘关系提供了一种强大而有效的方法.
- 开发的模型可以显著加速分子查,有助于发现用于综合性害虫管理的半化学物质.
- 未来的工作重点是扩大数据集和完善模型架构,以提高预测质量和通用性.
