.png){kind=icon}
返回
EC-Design: A Robust Framework for Enzyme Function Prediction Using Dimensionality-Reduced Sequence Features
.png){kind=icon}
PRE
AI
DOI：10.1021/acs.jcim.6c00300.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
自动化酶分类受到高维特征空间和极端类别不平衡的阻碍。本研究中，我们引入了EC-Design，一种利用主成分分析（PCA）和基于Fisher Score的特征选择对134,153条验证序列进行处理的机器学习框架。挑战了集成方法的公认优势，k-最近邻（k-NN）达到了74.59%的最高准确率和0.6859的宏F1值，显著优于包括随机森林、集成装袋、线性判别分析、逻辑回归、支持向量机和多层感知器在内的六种对比机器学习方法。该模型展示了稳健的泛化能力（74.37 ± 0.49%）和出色的判别能力（平均AUC = 0.937）。性能分析揭示了一种明显的权衡：多数类（EC1–EC3）表现出高精确度（>0.83），而少数类（EC4–EC7）实现了高召回率（>0.83）。特征重要性分析表明，含有天冬酰胺和甘氨酸的二肽模式作为关键判别特征，这与已建立的催化基序相符，并为酶功能提供了可生物解释的见解。EC-Design框架确立了基于实例的学习作为一种高效且准确的大规模酶注释方法，为复杂集成模型提供了透明的替代方案。
Keyword:
enzyme classification
feature selection
k-nearest neighbors
principal component analysis
enzyme function prediction
期刊
IF:
5.3
论文数:
9.2K
被引数:
4.0W
机构
引用论文
Ensemble learning for biomedical signal classification: a high-accuracy framework using spectrograms from percussion and palpationKarim, A.; Ryu, S.; Jeong, I.C. 集成学习在生物医学信号分类中的应用：基于敲击和触诊频谱图的高精度框架。Sci. Rep. 2025, 15, 21592. [Google Scholar] [CrossRef]
PREAI
分享收藏An Improved Machine Learning Model for Screening and Activity Prediction of Receptor Tyrosine Kinase受体酪氨酸激酶的筛选和活性预测改进机器学习模型
PREAI
分享收藏A genetic algorithm-based ensemble model for efficiently identifying interleukin 6 inducing peptides
PREAI
分享收藏
分享收藏Machine learning in biological research: key algorithms, applications, and future directions生物研究中的机器学习：关键算法、应用及未来方向.png)
BMC Biology
OAAI
BMC BiologyIF4.5
OAAI分享收藏Comprehensive Analysis of the GXXXG Motif Reveals Structural Context-Dependent Diversity and Composition Across ProteinsGXXXG基序的全面分析揭示了结构依赖性的多样性和蛋白质间的组成差异OAAI
OAAI分享收藏
查看更多内容