使用可解释机器学习对病毒样颗粒的化学计量进行分类
机器学习
2025-02-18 v1 生物大分子
定量方法
摘要
病毒样颗粒（VLP）因其触发免疫作用的特性而在疫苗开发中具有重要价值。理解其化学计量——即蛋白亚基形成 VLP 的数量——对于疫苗优化至关重要。然而，当前确定化学计量的实验方法耗时且需要高度纯化的蛋白质。为高效分类蛋白质中的化学计量类别，我们构建了一个新数据集，提出了一种可解释的数据驱动管道，基于线性机器学习模型。我们还探讨了特征编码对模型性能和可解释性的影响，以及识别影响 VLP 装配的关键蛋白质序列特征的方法。我们的管道评估表明，它能够在揭示可能影响 VLP 装配的蛋白质特征的同时，对化学计量进行分类。本工作使用的数据和代码已公开于 https://github.com/Shef-AIRE/StoicIML。
引用
@article{arxiv.2502.12049,
title = {Classifying the Stoichiometry of Virus-like Particles with Interpretable Machine Learning},
author = {Jiayang Zhang and Xianyuan Liu and Wei Wu and Sina Tabakhi and Wenrui Fan and Shuo Zhou and Kang Lan Tee and Tuck Seng Wong and Haiping Lu},
journal= {arXiv preprint arXiv:2502.12049},
year = {2025}
}