Identifikation von Cyclin-Proteinen mittels Gradient Boost Decision Tree-Algorithmus

Cyclin-Proteine sind in der Lage, den Zellzyklus zu regulieren, indem sie einen Komplex mit cyclinabhängigen Kinasen bilden, um den Zellzyklus zu aktivieren. Die korrekte Erkennung von Cyclin-Proteinen könnte wichtige Hinweise für das Studium ihrer Funktionen liefern. Ihre Sequenzen weisen jedoch eine geringe Ähnlichkeit auf, was zu einer schlechten Vorhersage für sequenzähnlichkeitsbasierte Methoden führt. Daher ist es dringend erforderlich, ein Machine-Learning-Modell zu entwickeln, um Cyclin-Proteine zu identifizieren. Diese Studie hatte zum Ziel, ein rechnergestütztes Modell zu entwickeln, um Cyclin-Proteine von Nicht-Cyclin-Proteinen zu unterscheiden. In unserem Modell wurden Proteinsequenzen durch sieben Arten von Merkmalen kodiert: Aminosäurezusammensetzung, Zusammensetzung von k-abständen Aminosäurepaaren, Tripeptidzusammensetzung, pseudo-Aminosäurezusammensetzung, Geary-Korrelation, normalisierte Moreau-Broto-Autokorrelation sowie Zusammensetzung/Übergang/Verteilung. Anschließend wurden diese Merkmale durch eine Varianzanalyse (ANOVA) und minimale Redundanz maximale Relevanz (mRMR) mit einer inkrementellen Merkmalsauswahltechnologie (IFS) optimiert. Ein Gradient Boost Decision Tree (GBDT)-Klassifikator wurde auf den optimalen Merkmalen trainiert. Fünf-teilige Kreuzvalidierungsergebnisse zeigten, dass unser Modell Cyclin mit einer Genauigkeit von 93,06% und einem AUC-Wert von 0,971 identifizieren würde, was höher ist als bei den beiden jüngsten Studien zu denselben Daten.