基于异构特征表示和遗传算法集成学习模型的抗结核肽预测( iAtbP-Hyb-EnC: Prediction of Antitubercular peptides Via Heterogeneous Feature Representation and Genetic Algorithm based Ensemble Learning Model )

Shahid Akbar Ashfaq Ahmad Maqsood Hayat Ateeq Ur Rehman Farman Ali

结核病是由结核分枝杆菌引起的世界性疾病。由于耐多药结核病的高流行率，许多传统的策略开发新的替代疗法已经提出。这些程序的有效性和可靠性并不总是一致的。多肽治疗因其在靶向特定细胞的同时又不影响正常细胞而具有良好的选择性，近年来被认为是一种较好的治疗方法。然而，由于多肽样本的快速增长，准确预测结核病成为一项具有挑战性的任务。要有效识别抗结核肽，离不开一个智能可靠的预测模型。本研究采用集成学习方法来弥补个别分类算法的不足，以改善预期的分类效果。最初，三种不同的表示方法被用来制定训练样本：K空间氨基酸组成、复合理化性质和一热编码。然后将所应用的特征提取方法的特征向量组合以生成异构向量。最后，利用个体向量和异构向量，使用五种不同性质的分类模型来评估预测率。此外，采用基于遗传算法的集成模型来提高模型的预测和训练能力。利用训练数据集和独立数据集，本文提出的集成模型的准确率分别为94.47%和92.68%。据观察，我们提出的“IATBP-HYB-ENC”模型优于现有预测器，并报告了10%的最高训练精度。IATBP-HYB-ENC模型是一种可靠的研究工具，在学术研究和药物开发中具有重要的应用价值。源代码和所有数据集可在https://github.com/farman335/iatbp-hyb-enc上公开获得。

SciDown文献求助系统（解决99%问题） Public Download ResearchGate