机器学习辅助蛋白质工程的最佳实践

《Journal of Chemical Information and Modeling》：Best Practices for Machine Learning-Assisted Protein Engineering

本文提出基于机器学习的蛋白质工程建模的实践指南，涵盖数据获取、监督学习应用及软件工程规范，强调模型部署与透明度提升，旨在促进科学期刊标准制定与行业可信度发展。

　　

基于机器学习（ML）的数据驱动建模正成为蛋白质工程工作流程的核心组成部分。本文介绍了开发有效、可靠且可复现的ML模型所需的关键要素，并为蛋白质工程的ML开发提供了一套指导原则。这些指导原则重点讨论了用于开发和评估基于ML的蛋白质工程项目的软件工程最佳实践，特别是监督学习方面的内容。涵盖了从数据采集到模型部署的所有必要步骤。此外，本文还提供了实施这些指导原则的实际资源。这些建议旨在帮助编辑和科学期刊在基于ML的蛋白质工程出版物中推行最佳实践，从而在整个领域内促进高标准的形成。通过这种方式，我们希望进一步提高ML的透明度和可信度，促进软件工程最佳实践在蛋白质工程ML开发中的广泛应用。我们相信，最佳实践的广泛采纳和持续更新将鼓励人们更加明智地运用ML来解决与蛋白质工程相关的实际问题。