深度Q网络在多视图合奏学习预测抗糖尿病和糖尿病类型

科学领域:

• 生物化学和计算生物学
• 生物信息学和化学信息学
• 内分泌学和糖尿病研究研究

背景情况:

• 糖尿病是一种全球性健康挑战,其并发症包括心血管和脏疾病.
• 抗糖尿病 (ADP) 通过调节胰岛素的产生,显示出有前途的治疗替代品.
• 目前用于ADP预测的计算方法需要进一步优化以提高效率.

研究的目的:

• 开发和验证一种基于深度Q网络 (DQN) 的新型强化学习 (RL) 方法.
• 优化一个多视图组合模型,用于预测抗糖尿病 (ADP) 和糖尿病类型.
• 为了提高抗糖尿病预测的准确性和有效性.

主要方法:

• 使用不同的特征编码构建了一个多视图集,分为三个视图:序列,物理化学性质和进化信息.
• 36个分支分类器,来自6个卷积神经网络 (CNN),形成了整体结构.
• 采用基于DQN的RL方法,通过编码36位二进制字符串来优化ensemble的搜索空间 ($2^{36}-1$).

主要成果:

• 与现有的最先进的方法相比,优化的合奏实现了更高的性能.
• 在标准的ADPs数据集上实现了96.37%的分类准确度,0.870的马修斯相关系数和0.983的AUC.
• 证明了DQN-RL方法在提高抗糖尿病活性预测方面的有效性.

结论:

• 提出的基于DQN的RL方法有效地优化了用于ADP预测的多视图集合模型.
• 优化的组合显著提高了抗糖尿病的预测准确性.
• 这种方法为推进糖尿病治疗研究提供了一个有前途的计算策略.