Protein science : a publication of the Protein Society · 2025

PSR-MAPMS: Новый подход к интерпретируемому прогнозированию миелиновых автоантигенных пептидов в множестве склерозов с использованием результатов по многим источникам.

СтатьяПоддержка исследования: вне правительства СШАНазвание и аннотация: Машинный перевод · не проверен

Обработка статьи · этапы, ошибки и управление

Загрузка состояния…

История · было → стало

Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.

Charoenkwan Phasit, Schaduangrat Nalini, Chumnanpuen Pramote, Shoombuatong Watshara

Аннотация

В рамках центральной нервной системы миелинская оболочка состоит из элементов, известных как миелин автоантигены, которые по ошибке направлены иммунной системой в множестве склерозов (MS). Эта аутоиммунная атака приводит к разрушению миелина, что приводит к неврологическим симптомам, характерным для MS. Для понимания патогенеза MS и разработки адресных методов лечения решающее значение имеет выявление миелиновых автоантигенных пептидов. Традиционные подходы часто сталкиваются со сложностью и неоднородностью биологических данных, что затрудняет достижение точных прогнозов эффективным с точки зрения затрат образом. В качестве альтернативы, вычислительные подходы, в которых используется информация о последовательности, могут способствовать биологическому разглашению пептидов. В этом исследовании мы представляем новаторский подход, основанный на оценках, который называется PSR-MAPMS, для прогнозирования и характеристики миелиновых автоантигенных пептидов в MS (MAPMS). Насколько мы знаем, PSR-MAPMS является первым подходом на основе машинного обучения (ML), который может прогнозировать и анализировать MAPMS исключительно на основе информации о последовательности. В PSR-MAPMS мы генерировали множество аспектов показателей склонности для MAPMS. Затем были выбраны и применены важные показатели склонности для создания окончательной гибридной модели с использованием стратегии комплексного обучения. Результаты обширных экспериментов показали, что PSR-MAPMS превышает ряд традиционных классификации на основе ML для прогнозирования MAPMS как при перекрестном подтверждении, так и при проведении независимых испытаний. По результатам независимых тестов точность оценок PSR-MAPMS ККУ и F1 составляла 0,899-0,949, 0,800-0,899 и 0,903-949, соответственно. Кроме того, наши оценочные показатели склонности могут выявить важнейшие биохимические и физико-химические свойства MAPMS, обеспечивая ценные откровения основных биологических механизмов, которые облегчают разработку более эффективных и индивидуализированных методов лечения для MS. Кроме того, мы создали простой вебсервер для PSR-MAPMS, доступ к которому открыт по адресу https://pmlabqsar.pythonanywhere.com/PSR-MAPMS.

Оригинал публикации

PSR-MAPMS: A new approach for the interpretable prediction of myelin autoantigenic peptides in multiple sclerosis using multi-source propensity scores.

Within the central nervous system, the myelin sheath is composed of elements known as myelin autoantigens that are mistakenly targeted by the immune system in multiple sclerosis (MS). This autoimmune attack leads to the destruction of myelin, resulting in the neurological symptoms characteristic of MS. Identifying myelin autoantigenic peptides is crucial for understanding the pathogenesis of MS and developing targeted therapies. Traditional approaches often struggle with the complexity and heterogeneity of biological data, making it challenging to achieve accurate predictions in a cost-effective manner. Alternatively, computational approaches that utilize sequence information can aid in the biological elucidation of peptides. In this study, we present a novel propensity score-based approach, termed PSR-MAPMS, to predict and characterize T cell-specific myelin autoantigenic peptides in MS (MAPMSs). To the extent of our knowledge, PSR-MAPMS is the first machine learning (ML)-based approach that can predict and analyze MAPMSs based solely on sequence information. In PSR-MAPMS, we generated multiple aspects of propensity scores for MAPMSs. Important propensity scores were then chosen and applied to create the final hybrid model using an ensemble learning strategy. Extensive experiments results showed that PSR-MAPMS surpasses several conventional ML-based classifiers for MAPMS prediction in both cross-validation and independent tests. In the independent test results, the accuracy, MCC, and F1 scores of PSR-MAPMS were within the ranges of 0.899-0.949, 0.800-0.899, and 0.903-949, respectively. Moreover, our estimated propensity scores can identify crucial biochemical and physicochemical properties of MAPMSs, providing valuable revelations of the fundamental biological mechanisms, which facilitates the development of more effective and personalized treatments for MS. In addition, we created a simple-to-navigate web server for PSR-MAPMS, which is publicly accessible at https://pmlabqsar.pythonanywhere.com/PSR-MAPMS.

Предметные рубрики MeSH

Multiple Sclerosis Humans Autoantigens Peptides Myelin Sheath Machine Learning Propensity Score T-Lymphocytes

Ошибки и ограничения

Аннотация

PSR-MAPMS: A new approach for the interpretable prediction of myelin autoantigenic peptides in multiple sclerosis using multi-source propensity scores.

Предметные рубрики MeSH