基于 K-mer 并借助混沌游戏表示、深度学习与降低表示偏差的蛋白质相互作用预测改进方法
机器学习
2023-10-24 v1
摘要
蛋白质-蛋白质相互作用驱动许多生物过程，包括植物 R 蛋白和细胞表面受体对植物病原菌的检测。许多机器学习研究试图预测蛋白质-蛋白质相互作用，但性能高度依赖于训练数据；已表明当所涉及的蛋白质包含在训练数据中时，模型能准确预测相互作用，但在应用于先前未见过的蛋白质时结果持续较差。此外，使用参与多个相互作用的蛋白质训练的模型可能遭受表示偏差，即预测并非由学到的生物学特征驱动，而是由对相互作用数据集结构的学习所驱动。我们提出一种从相互作用数据集中提取唯一配对的方法，生成非冗余的配对数据以用于无偏机器学习。将该 method 应用于包含拟南芥（Arabidopsis thaliana）与病原菌效应子相互作用的数据集后，我们开发了一种卷积神经网络模型，能够从蛋白质编码基因的混沌游戏表示（Chaos Game Representation）中学习和预测相互作用。
引用
@article{arxiv.2310.14764,
title = {Improved K-mer Based Prediction of Protein-Protein Interactions With Chaos Game Representation, Deep Learning and Reduced Representation Bias},
author = {Ruth Veevers and Dan MacLean},
journal= {arXiv preprint arXiv:2310.14764},
year = {2023}
}