Die aktuelle Studie stellt innovative Klassifikationsmodelle vor, die entwickelt wurden, um neue druggable Proteine vorherzusagen, die Krebs antreiben. Diese Vorhersagen basieren auf drei Sätzen von Proteinsequenz-Deskriptoren (Aminosäurezusammensetzung, Di-Aminosäurezusammensetzung und Tri-Aminosäurezusammensetzung), die mithilfe von Rcpi berechnet wurden. Diese Deskriptoren wurden aufgrund ihrer nachgewiesenen Fähigkeit zur Erfassung wesentlicher Informationen über Proteinsequenzen ausgewählt, die für die Vorhersage der Druggability entscheidend sind. Die genannten Deskriptoren stellen die Primärstruktur eines Proteins dar, indem sie die Häufigkeit jeder Aminosäure innerhalb der Sequenz hervorheben, was hilft, allgemeine Trends und Muster zu identifizieren, die mit druggable Proteinen in Verbindung stehen. Die Klassifikationsmodelle, die auf diesen Funktionen basieren, zeigten eine robuste Leistung über verschiedene maschinelle Lernalgorithmen.
Die Studie verwendete Jupyter Notebooks, die auf Python und scikit-learn basieren, um 13 Arten von ML-Klassifikatoren und fünf Arten von Merkmalsauswahlmethoden mit verschiedenen Parametern zu konstruieren. Alle Skripte verwendeten die mittleren AUROC-Werte aus einer dreifachen Kreuzvalidierung, um die Klassifikationsleistung zu quantifizieren. Die Modelle wurden mit zunehmender Anzahl von Merkmalen getestet und die AUROC-Werte für Klassifikatoren mit 20, 100 und 200 ausgewählten Merkmalen wurden dargestellt. Die Ergebnisse zeigten eine verbesserte Vorhersagegenauigkeit mit einer Zunahme der Anzahl der ausgewählten Merkmale. Zusätzlich wurden verschiedene Algorithmen und Methoden zur Merkmalsauswahl verwendet, um die besten Modelle für die Vorhersage neuer druggable Proteine zu identifizieren.
Der Artikel beschreibt auch die Identifizierung von 296 druggable Proteinen, die bisher nicht an klinischen Studien beteiligt waren. Anschließend wurden Korrelationen mit verschiedenen bioinformatischen Werkzeugen hergestellt, um die Relevanz und potenzielle klinische Bedeutung dieser Proteine zu bewerten. Die Ergebnisse zeigten, dass viele der identifizierten druggable Proteine vielversprechende Ziele für die Krebsbehandlung darstellen könnten, basierend auf ihrer Druggability, bioinformatischen Bewertungen und involvierten biochemischen Prozessen. Eine weitere Analyse zeigte potenzielle Wechselwirkungen zwischen den druggable Proteinen und vorhandenen Medikamenten, die möglicherweise für eine erneute Verwendung in der Krebstherapie geeignet sind.
Zusammenfassend lässt sich sagen, dass die Studie eine effektive Methode zur Vorhersage von druggable Proteinen, die an der Krebsentstehung beteiligt sind, präsentiert. Durch den Einsatz von Machine-Learning-Modellen und bioinformatischen Werkzeugen werden vielversprechende Kandidaten für die zukünftige Krebsforschung und therapeutische Entwicklung identifiziert. Dieser umfassende Ansatz könnte dazu beitragen, die Wirksamkeit der Krebsbehandlung zu verbessern und neue Möglichkeiten für die personalisierte Medizin aufzuzeigen.