通过基于交叉验证和基于超图的特征评估方法进行细菌素预测

科学领域:

• * 计算生物学 计算生物学
• * 生物信息学是一门学科.
• * 机器学习在药物发现中的作用

背景情况:

• *抗生素耐药性是一个日益增长的全球健康威胁.
• * 细菌素显示出作为向抗菌剂的前景.
• *需要预测模型来加速细菌的发现和药物开发.

研究的目的:

• * 开发和验证基于网络的计算模型,用于预测细菌菌.
• *比较特征选择方法,包括交叉验证特征选择 (CVFS) 和基于超图的特征评估 (HFE).
• * 确定影响细菌素活性的关键蛋白质特征.

主要方法:

• *使用蛋白质序列数据构建XGBoost机器学习模型.
• *使用CVFS和HFE技术进行特征选择.
• *使用夏普利添加式扩展 (SHAP) 分析特征重要性.
• * 开发一个公开可访问的网络应用程序,用于细菌素预测.

主要成果:

• *基于HFE的XGBoost模型在测试数据上实现了99.11%的准确性和0.9974的AUC.
• *HFE方法的性能优于CVFS方法,并且与现有的方法相匹配.
• *关键的预测特征包括埋藏残留物的溶剂可访问性和氨酸成分.

结论:

• * 计算模型,特别是使用HFE的模型,可以有效地预测细菌菌.
• *开发的网络应用程序促进了细菌的发现,并有助于抗生素药物的开发.
• * 了解特征贡献可以提高预测模型的解释性.