多特征结合机器学习算法识别蛋白质与组胺的结合位点

摘要

组胺作为在多种疾病中发挥关键作用的生物活性分子，对疾病的发生有着重要的作用。深入研究蛋白质与组胺的相互作用有助于我们更精确地解析其结合机制。在这项研究中，我们联合多种特征与多种机器学习算法以及集成算法来预测组胺与蛋白质的结合位点。结果表明，机器学习算法中的梯度提升模型（GB）和平均柔性指数特征（AF）预测结果是最优的，预测准确率（accuracy,A）达到了82.1%，马修斯相关系数（Matthews correlation coefficient,M）达到了68.2%，敏感性（sensitivity, S）达到了65.5%。对于预测效果欠佳的密码子使用频率特征，我们进行了多特征融合和集成算法处理，结果表明，改进后的模型性能确实得到了显著的提升。在特征融合中，密码子频率与平均柔性指数融合后，各项指标均超过60.0%；密码子频率作为单特征在集成算法预测模型中，较最优算法梯度提升模型（GB），预测准确率（accuracy,A）提高了19.0%，马修斯相关系数（Matthews correlation coefficient,M）提高了66.1%。这表明，特征融合和集成算法在预测组胺结合位点方面是有效的。

关键词

组胺 / 结合位点 / 特征融合 / 集成算法

基金资助

国家自然科学基金项目（62262050）