.png){kind=icon}
返回
Predicting host-pathogen interactions with machine learning algorithms: A scoping review
.png){kind=icon}
OA
AI
DOI：10.1016/j.meegid.2025.105751.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
背景：由病原微生物引起的疾病构成了持续性的全球健康挑战。病原体通过复杂的分子相互作用利用宿主机制。理解这些宿主-病原体相互作用（HPIs），特别是蛋白质-蛋白质相互作用（PPIs），对于开发治疗策略至关重要。虽然实验方法至关重要，但它们通常劳动密集且成本高昂。由于人工智能和机器学习的最新进展，研究人员能够更高效地预测HPIs。然而，现有综述缺乏对不同机器学习方法及其有效性的系统性评估。
方法：本范围综述批判性地考察了基于机器学习的宿主-病原体相互作用（HPI）预测的最新研究，并根据宿主和病原体类型、机器学习算法以及关键评估指标对其进行分类。该研究方法基于初步检索，在2019年至2024年间使用与宿主-病原体相互作用相关的关键词在知名数据库中进行检索。这一过程产生了46篇相关文章，经过标题和摘要评估后，从中选择了30篇进行综述。
结果：我们的发现表明，基于树的算法，特别是随机森林和梯度提升，是宿主-病原体相互作用（HPI）预测中最常用的方法。筛选后的文章根据宿主和病原体类型进行分类，并进一步根据预测类型和机器学习算法分为四个子类：经典算法、基于树的算法、基于向量的算法和神经网络算法。卷积神经网络和循环神经网络是深度学习模型中表现出良好准确性的模型之一，但它们需要大量标注数据进行有效训练。此外，分析揭示了数据集标准化和模型可解释性方面的显著差距，这给这些预测模型的广泛应用带来了挑战。
结论：在本综述中，我们强调了机器学习在HPI预测中的潜力，并指出了必须解决的重要挑战以提升预测准确性。与以往综述不同，本研究系统地比较了不同的计算方法，为未来研究提供了路线图。研究结果强调了数据集质量、特征选择和模型透明度在推动AI驱动的病原体研究方面的重要性。
Keyword:
Host-pathogen interactions
Protein-protein interaction
Prediction algorithms
Machine learning algorithms
Bioinformatics
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
.png){kind=icon}
