AAGP预测模型：基于机器学习的抗衰老肽多特征整合预测新方法

本研究针对抗衰老肽(AAGP)预测的挑战，开发了整合4,305种理化与组成特征的机器学习预测系统。研究人员通过构建两种负样本数据集（抗菌肽DS1/随机肽DS2），采用启发式特征选择算法筛选最优特征子集，最终使LGBM和ET模型在独立测试中分别达到MCC 0.692/0.580和AUC 0.963/0.808的优异性能。该研究为加速抗衰老肽发现提供了高效计算工具，特征重要性分析揭示DS1依赖理化特征而DS2侧重组成特征的差异化识别机制。

　　

人类对抗衰老的探索从神话时代延续至今，随着现代科技发展，抗衰老研究已从玄学转变为严肃的科学命题。皮肤皱纹、免疫功能下降等衰老表征背后，隐藏着复杂的分子机制。虽然肽类疗法因其高特异性、低免疫原性成为研究热点，但传统实验筛选方法耗时费力。更棘手的是，抗衰老肽作用机制多样——从胶原调节到线粒体功能增强，这使得计算预测面临巨大挑战。

台湾科研团队在《Scientific Reports》发表的研究中，构建了名为AAGP的创新预测系统。该系统通过机器学习整合肽序列的4,305种特征，包括氨基酸组成(AAC)、间隔氨基酸对(CKSAAP)等57类特征，采用Boruta算法进行特征重要性排序，并运用启发式方法确定最优特征子集。研究特别设计了两类负样本对照组：抗菌肽数据集(DS1)和随机肽数据集(DS2)，以评估模型在不同场景下的泛化能力。

关键技术方法包括：1) 从AagingBase和DBAASP v3数据库获取正负样本，经CD-HIT去冗余；2) 使用Pfeature和iFeature工具提取序列特征；3) 采用RobustScaler进行抗离群值数据标准化；4) 通过Optuna进行贝叶斯超参数优化；5) 应用SHAP值解析模型决策机制。

氨基酸组成和二肽组成

分析显示抗衰老肽富含甘氨酸(Gly)、谷氨酰胺(Gln)和脯氨酸(Pro)，而支链氨基酸亮氨酸(Leu)和异亮氨酸(Ile)含量较低。二肽分析进一步验证MQ、GP等组合在阳性样本中的富集现象，为模型识别提供了分子基础。

选定特征子集

启发式算法确定50个最优特征，DS1侧重电荷、疏水性等理化特征(如ABHPRK类占7个)，DS2则偏好组成特征(如DDE类占7个)。这种差异反映抗菌肽与随机肽的不同区分逻辑，说明模型能自适应调整识别策略。

交叉验证基准

在DS1_Main上，极端随机树(ET)模型表现最佳(准确率0.956，MCC 0.715)，而DS2_Main因识别难度增加导致指标普遍下降，但ET仍保持0.941准确率和0.580 MCC，证实模型稳定性。

独立测试结果

LGBM在DS1_Indp达到0.963 AUC，而ET在DS2_Indp获0.808 AUC。值得注意的是，预测准确率与肽段亲/疏水残基比例呈正相关，与不带电残基比例呈负相关，这种规律性验证了模型的可解释性。

SHAP解释

分析揭示DS1依赖CTDC电荷特征等物理化学属性，DS2则通过DDE_MQ等组成特征决策。这种差异化识别策略表明，针对不同应用场景需采用定制化建模方法。

该研究通过多维度特征工程和严谨的模型验证，建立了抗衰老肽预测的新标准。特别有价值的是发现：对抗菌肽负样本需关注理化特征，而对随机肽需侧重序列组成。这种情境依赖的识别逻辑为后续研究提供了重要方法论指导。虽然当前模型在极端不平衡数据(P/N=1:15)上表现有待提升，但其开源代码和模块化设计为领域发展奠定了坚实基础，将显著加速抗衰老肽的发现与化妆品、治疗药物的开发进程。