.png){kind=icon}
返回
Prediction of Enzyme function using interpretable optimized Ensemble learning framework
.png){kind=icon}
OA
AI
DOI：10.1039/D5SC04513D.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
准确预测酶的功能，特别是对于新发现的未表征序列，对现代生物学研究至关重要。最近，基于机器学习（ML）的方法显示出前景。然而，这些工具通常在特征提取、可解释性和泛化能力方面存在复杂性。在本研究中，我们构建了酶功能数据集，并提出了一种可解释的机器学习方法SOLVE（Soft-Voting Optimized Learning for Versatile Enzymes），该方法通过仅使用来自蛋白质一级序列的分词子序列组合进行分类，解决了这些问题。SOLVE利用集成学习框架，整合了随机森林（RF）、轻量级梯度提升机（LightGBM）和决策树（DT）模型，并采用优化的加权策略，以提高预测精度，区分酶与非酶，并预测单功能和多功能酶的酶学委员会（EC）编号。SOLVE中的焦点损失惩罚有效缓解了类别不平衡问题，提高了功能注释的准确性。此外，SOLVE通过Shapley分析提供可解释性，识别酶的催化位点和别构位点上的功能基序。通过仅利用一级序列数据，SOLVE简化了功能未表征序列的高通量酶功能预测，并在独立数据集的所有评估指标上优于现有工具。凭借高预测精度及其识别功能区域的能力，SOLVE有望成为生物学不同领域和药物治疗设计中的一个有前景的工具。
Keyword:
enzyme function prediction
machine learning
interpretable models
enzyme commission (EC) numbers
class imbalance mitigation
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。
期刊
IF:
7.4
论文数:
1.7W
被引数:
9.3W
机构
暂无机构信息
引用论文
分享收藏Neural networks to learn protein sequence-function relationships from deep mutational scanning dataOAAI
OAAI分享收藏分享收藏COFACTOR: improved protein function prediction by combining structure, sequence and protein-protein interaction information.png)
NUCLEIC ACIDS RESEARCHOAAI
NUCLEIC ACIDS RESEARCHIF13.1
OAAI分享收藏
查看更多内容