미생물 균주 특이적 AMP 예측에 대한 기계 학습 알고리즘의 비교 분석

초록 약물 내성 병원성 미생물 종의 진화는 주요 글로벌 건강 문제입니다. 자연 발생하는 항균 펩타이드(AMP)는 항생제 내성 문제를 해결하기 위한 유망한 후보로 여겨집니다. AMPs를 정확하게 예측하기 위해 다양한 계산 방법이 개발되었습니다. 이러한 방법의 대부분은 미생물 균주 특이적(MSS)이 아니며, 주어진 펩타이드가 일부 미생물에 대해 활성인지 여부를 예측할 수 있지만, 특정 MS에 대해 활성인지 정확하게 계산할 수는 없습니다. 대부분의 MS에 대한 데이터가 부족하여, 현재까지 개발된 MSS 예측 모델은 극히 일부입니다. 이 문제를 해결하기 위해, 우리는 AMP 서열의 특성과 목표 MS의 게놈 특성을 기반으로 MSS 예측 모델(MSSPM)을 개선할 수 있는 새로운 접근 방식을 개발했습니다. 새로운 모델은 테스트된 펩타이드에 대한 데이터가 없는 MS의 AMPs 예측을 수행할 수 있습니다. 우리는 다양한 유형의 특징 엔지니어링과 서로 다른 기계 학습(ML) 알고리즘을 테스트하여 결과 모델의 예측 능력을 비교했습니다. ML 알고리즘 중에서 랜덤 포레스트와 아다부스트가 가장 좋은 성능을 보였습니다. 게놈 특성을 추가적인 기능으로 사용함으로써, 모든 모델의 성능은 AMP 서열 기반 특성만을 의존하는 모델에 비해 증가했습니다. 우리의 새로운 MSS AMP 예측기는 http://dbaasp.org/prediction/genome에서 DBAASP 데이터베이스 리소스의 일부로 무료로 접근할 수 있습니다.