详细内容或原文请订阅后点击阅览
多毒素：多类蛋白质毒素分类的基于序列的堆叠集合模型
多毒素：一种基于序列的堆叠集合模型，用于多类蛋白毒素分类，以示意毒素蛋白的结构和功能多样性对于阐明大分子分子行为，机械变异性和结构驱动的生物活性至关重要。传统方法主要集中于二进制毒性预测，从而有限地解决了不同的毒素作用模式。在这里，我们提出了基于分子的作用模式：神经毒素，细胞毒素，血状毒素和肠毒素的分类的多毒素，用于分类毒素蛋白的合奏堆叠框架。我们策划了24,756种蛋白质（20,361毒素和4395个非毒素）的综合数据集，并提取了编码进化，结构和生物化学特征的高维ESM-2嵌入。两层堆叠框架集成了LGBM，MLP，ET，KNN和QDA作为基本分类器，XGBoost作为元分类器。 Multitox的总体准确度为91.07％，F1得分为90.73％，Matthews相关系数（MCC）为91.61％。班级准确性为93.75％（神经毒素），87.79％（细胞毒素），98.80％（血状毒素），97.02％（肠毒素）和95.83％（毒素与非毒素）。基于SHAP的解释和与已知的物理化学描述符的相关性揭示了与结构基序，疏水性和溶剂可及性中生物学上有意义的模式相关的类特异性特征。使用Intersos
来源:Arácnido了解毒素蛋白的结构和功能多样性对于阐明大分子行为，机械变异性和结构驱动的生物活性至关重要。传统方法主要集中于二进制毒性预测，从而有限地解决了不同的毒素作用模式。在这里，我们提出
多诺克斯，一种基于分子的作用方式，用于分类毒素蛋白的合奏堆叠框架：神经毒素，细胞毒素，血状毒素和肠毒素。我们策划了24,756种蛋白质（20,361毒素和4395个非毒素）的综合数据集，并提取了编码进化，结构和生物化学特征的高维ESM-2嵌入。两层堆叠框架集成了LGBM，MLP，ET，KNN和QDA作为基本分类器，XGBoost作为元分类器。 Multitox的总体准确度为91.07％，F1得分为90.73％，Matthews相关系数（MCC）为91.61％。班级准确性为93.75％（神经毒素），87.79％（细胞毒素），98.80％（血状毒素），97.02％（肠毒素）和95.83％（毒素与非毒素）。基于SHAP的解释和与已知的物理化学描述符的相关性揭示了与结构基序，疏水性和溶剂可及性中生物学上有意义的模式相关的类特异性特征。使用Interconsoscan，直系同源物的簇和分泌信号分析的功能注释确定了与折叠，定位和宿主相互作用有关的毒素类特异性签名。我们部署了公共网络服务器（
https://cosylab.iiitd.edu.in/multitox/）实时和批处理模式预测。 Multitox为蛋白质分类提供了可扩展且可解释的框架，并将序列数据与功能洞察力桥接。
Sharma，H.，Thakur，M.S.，Barala，A.，Khan，M.S.，Bhagat，S。，＆Bagler，G。（2025）。 Multitox：一种基于序列的多类蛋白质毒素分类的集合模型。
，
327