基于条件WGAN的深度神经网络框架用于蛋白质溶解度预测

蛋白质溶解度在提高生物催化剂和制药领域重组蛋白的生产产量方面起着关键作用。在某种程度上，蛋白质溶解度可以代表主要由重组蛋白构成的生物催化剂的功能和活性。高溶解度蛋白在生物催化过程中更为有效，并能降低生物催化剂的成本。通过体内实验筛选蛋白质耗时且昂贵。文献中已研究大量机器学习模型，但这些模型的参数在蛋白质溶解度数据不足的情况下未定。非常需要一种能够扩充蛋白质溶解度数据集并提升预测模型性能的数据增强算法，这可以缓解生物技术应用中开发机器学习模型时常见的数据不足问题。我们首先实现了一种新方法，即使用条件WGAN这一数据增强算法，通过生成人工数据来提升DNN基于蛋白质序列预测蛋白质溶解度的性能。在加入条件WGAN生成的模拟数据后，以$R^{2}$表示的预测性能相比未做数据增强的$R^{2}$有所提高。在调优两种算法的超参数并整理数据集后，我们取得了$45.04\%$的$R^{2}$值，相比使用同一数据集的先前研究提升了约$10\%$的$R^{2}$。数据增强为机器学习模型在生物数据上的应用打开了大门，因为机器学习模型常因小规模数据集而无法得到良好训练。