PAGS

bpags：使用交替决策树，遗传算法和线性支持VECT

鉴于它们能够用宽阔和狭窄的自然光谱杀死细菌，因此在开发新药物来打击抗生素耐药性的新药中，出现了使用细菌素的使用。因此，对于可以准确预测新型细菌蛋白的精确且有效的计算模型产生了令人信服的要求。机器学习能够从细菌素序列中学习模式和特征的能力，这些序列很难使用基于序列匹配的方法捕获，这使其成为准确预测的潜在优越选择。使用机器学习方法，在本研究中创建了用于预测细菌素的Web应用程序。使用交替决策树（ADTREE），遗传算法（GA）和线性支持向量分类器（线性SVC）基于基于的特征评估方法选择了应用程序中使用的功能集。最初，从细菌蛋白和非细菌蛋白蛋白序列的物理化学，结构和序列属性属性中提取了潜在特征。我们使用Pearson相关系数评估了候选人的特征，然后对Adtree，GA和Lineare SVC进行了单独的评估，以消除不必要的特征。最后，我们构建了随机森林（RF），支持向量机（SVM），决策树（DT），Logistic回归（LR），K -Neart -Neart Neirbors（KNN）和GaussianNaïve的贝叶斯（GNB）模型，使用功能集降低。，我们使用具有ADTREE还原功能的SVM获得了总体性能模型，在测试数据集中获得了99.11％的精度，AUC值为0.9984。我们还评估了相对于我们先前开发的软件解决方案，一种基于序列对齐的工具和深度学习方法，每个还原功能集的最佳模型的预测能力。开发了一种标题为BPAGS（基于ADTREE，GA和Linear SVC的细菌素预测）的Web应用程序，以合并使用ADTREE，GA和基于线性SVC的特征集构建的预测模型。当前，基于Web的工具提供了具有关联概率值的分类结果，并具有在培训数据中添加新样本以提高预测效率的选项。bpags可以在https://shiny.tricities.wsu.edu/bacteriocin-预测中自由访问。