一篇新的研究论文发表在《Aging》(被 MEDLINE/PubMed 列为“Aging (Albany NY)”和 Web of Science 的“Aging-US”)第 15 卷第 13 期，标题为： “利用机器学习和生物学可解释的特征来预测延长秀丽隐杆线虫寿命的化合物。”
最近，人们对开发针对衰老的药物干预措施以及使用机器学习分析衰老相关数据越来越感兴趣。在这项新研究中，来自肯特大学和伯明翰大学的研究人员Caio Ribeiro、Christopher K. Farmer、João Pedro de Magalhães和Alex A. Freitas使用机器学习方法来分析来自 DrugAge 的数据，这是一个化学化合物数据库(包括药物)调节模型生物的寿命。
“为此，我们使用四种不同类型的预测生物学特征创建了四种类型的数据集，用于预测某种化合物是否可以延长线虫( DrugAge 中最常见的模型生物)的寿命：化合物-蛋白质相互作用、化合物与衰老相关基因编码的蛋白质之间的相互作用，以及为化合物靶向的蛋白质注释的两类术语，即基因本体论 (GO) 术语和来自 WormBase 表型本体论的生理学术语。”
为了分析这些数据集，研究人员在数据预处理阶段结合使用了特征选择方法和完善的随机森林算法，用于根据所选特征学习预测模型。此外，他们根据衰老生物学解释了两个最佳模型中最重要的特征。一个值得注意的特征是 GO 术语“谷胱甘肽代谢过程”，它在细胞氧化还原稳态和解毒中发挥着重要作用。该团队还从一系列先前未标记的化合物中预测了最有希望延长寿命的新型化合物。其中包括用作抗高血压药物的硝普钠。
“总的来说，我们的工作为未来利用机器学习来预测新型延长寿命化合物的工作开辟了道路。”
标签：
免责声明：本文由用户上传，如有侵权请联系删除！