论文解读:《Amy pred-FRL是一种通过使用特征表示学习来精确预测淀粉样蛋白的新方法》

~Title:AMYPred‑FRL is a novel approach for accurate prediction of amyloid proteins by using feature representation learning

期刊：Scientific Reports

分区：3区

影响因子：4.996

1 摘要

淀粉样蛋白具有形成不溶性原纤维聚集体的能力，该聚集体在许多组织中具有重要的致病作用。这种淀粉样变性病与常见疾病如二型糖尿病、阿尔茨海默病和帕金森病显著相关。淀粉样蛋白有很多种类型，有些蛋白在错误折叠状态下会形成淀粉样聚集体。很难识别这种淀粉样蛋白及其致病特性，但一种新的有效方法是通过开发有效的生物信息学工具。虽然已经提出了几种基于机器学习(ML)的模型用于淀粉样蛋白的计算机识别，但是它们的预测性能是有限的。在这项研究中，我们提出了Amy pred-FRL，一种新的元预测器，它使用特征表示学习方法来实现更准确的淀粉样蛋白识别。Amy pred-FRL将六种众所周知的最大似然算法(极端随机化树、极端梯度提升、k-最近邻、逻辑回归、随机森林和支持向量机)与十种不同的基于序列的特征描述符相结合，生成60种概率特征(PFs ),而不是由单一基于特征的方法开发的最先进的方法。为了提高预测性能，使用逻辑回归递归特征消除(LR-RFE)方法来寻找60 PFs的最佳m数。最后，使用meta-predictor方法，将20个选择的PFs输入到逻辑回归方法中，以创建最终的混合模型(Amy pred-FRL)。交叉验证和独立测试均显示，Amy pred FRL的预测性能优于其组成基线模型。在一项广泛的独立测试中，Amy pred-FRL分别比现有方法高出5.5%和16.1%，准确性和MCC分别为0.873和0.710。为了加快高通量预测，用户友好的Amy pred-FRL网络服务器可从http:// pmlab stack. pytho nanyw here. com/ AMYPr ed‑ FRL免费获得。

2 数据集

my数据集随机分为训练数据集和独立数据集。这产生了分别由(132个Amy和305个非Amy)和(33个Amy和77个非Amy)组成的训练和独立数据集。

3 方法

AMYPred-FRL开发的示意流程图。它包括数据集构建、特征提取、基线模型构建和最终的元模型开发。

3.1 特征提取

十种不同功能编码及其相应描述和尺寸的摘要.

10种特征编码:AAC、APAAC、CTDC、CTDD、CTDT、CTriad、DPC、DDE、GAAC和KSCTriatd

6种不同的机器学习算法：ET、KNN、LR、RF、SVM和XGBoost

4 结果

在本节中，我们通过执行十倍交叉验证和独立测试，调查和评估了使用十种不同的特征编码(AAC、APAAC、CTDC、CTDD、CTDT、CTriad、DPC、DDE、GAAC和KSCTriatd)和六种不同的ML算法(ET、KNN、LR、RF、SVM和XGB)训练的不同基线模型的预测性能。它们的交叉验证和独立测试结果分别在S3、S4和图2的补充表格中提供和可视化。从补充表中可以看出，S3、AAC、APAAC、CTDC、CTDD、CTDT、CTraid、DDE、DPC、GAAC和KSCTraid显示了(0.778、0.396)、(0.822、0.564)、(0.734、0.281)、(0.808、0.519)、(0.745、0.300)、(0.786、0.455)两个绩效指标(ACC、MCC)的平均交叉验证结果从这十种不同的特征编码中，注意到有四种有益的特征描述符用于AMY识别，包括APAAC、CTDD、KCTraid和CTraid，它们能够实现大于0.4的平均MCC值。特别地，APAAC、CTDD、KCTraid和CTraid特征描述符被用作LR、ET、RF和RF分类器的开发的输入，这些分类器被发现产生最高的交叉验证结果，如通过分别为(0.833，0.606)、(0.842，0.610)、(0.808，0.519)和(0.810，0.522)的两个性能度量(ACC，MCC)所评估的。

我们还研究了60个基线模型的预测性能，以确定AMY识别的最佳性能。从图2和S4 S3的补充表格中，几个重要的观察结果可以总结如下。首先，交叉验证MCC排名最高的十个基线模型如下:ET-CTDD、LR-APAAC、ET-APAAC、LR-DDE、RF-CTDD、SVM-DDE、XGB-APAAC、SVM-DPC、XGB-CTDD和RF-APAAC。值得注意的是，十个顶级基线模型中有七个是从APAAC和CTDD开发的，这再次证实了它们在AMY鉴定中的重要性。其次，十个顶级基线模型中的六个是使用基于树的集成算法(RF、ET和XGB)开发的。在十个排名靠前的基线模型中，基于RF、基于ET和基于XGB的分类器在0.815-0.842的范围内获得了良好的ACC，而基于LR的分类器获得了0.833的ACC，与这些基于树的分类器相当。第三，发现ET-CTDD是从交叉验证和独立性能(ACC，MCC)分别为(0.842，0.610)和(0.855，0.660)获得的最佳基线模型。

独立测试结果

6种算法的比较

5 结论

淀粉样蛋白的鉴定对于加速药物开发过程以及帮助理解它们的功能特性是至关重要的。很少有人提出淀粉样蛋白鉴定的计算方法。这些模型使用不同的方法来识别淀粉样蛋白，因此可以一起使用，但是似乎还没有开发出可以有效地整合不同模型以开发混合模型的计算方法，该混合模型可以实现相对于单个基于特征的方法的高模型性能。因此，在这项研究中，我们开发了AMYPred-FRL作为一种新的机器学习元预测器，通过使用FRL方法来准确识别淀粉样蛋白。特别是，AMYPred-FRL利用了10种不同的特征编码(AAC、APAAC、CTDC、CTDD、CTDT、CTriad、DPC、DDE、GAAC和KSCTriad ),这些特征编码是从三个不同的方面(组成信息、组成-转变-分布信息和物理化学性质)得出的，随后由六种著名的ML算法(ET、KNN、LR、RF、SVM和XGB)建模。一系列的对比实验表明，AMYPred-FRL可以获得比其组成基线模型和最先进的方法(RFA淀粉样蛋白和iAMY-SCM)更好的性能，正如在独立测试中评估的那样，从而突出了它的有效性和概括能力。