基于多策略特征融合与门控循环单元的钙离子抑制剂预测模型PredCaII研究

《Scientific Reports》：Integrated hierarchical fusion of GRU and meta-features for enhanced identification and interpretation of calcium ion inhibitors

　　

摘要

钙离子跨细胞膜的流动对于广泛的生理过程至关重要，包括激素分泌、上皮功能、电化学梯度的维持以及电冲动的产生。钙离子抑制剂已成为治疗癌症、肌肉无力、肾功能不全、内分泌障碍、细胞功能障碍和心律失常等各种病症的有前景的治疗药物。因此，准确识别和表征这些抑制剂对于调节通过钙通道的离子流动至关重要。在本研究中，我们开发了一种基于神经网络的模型来识别钙离子抑制剂。为了构建一个全面的预测框架，我们采用了七种肽编码策略和五种不同的机器学习分类器，得出了35个基线模型。从每个模型中，我们提取了35维的概率输出和35维的预测类别标签，将它们拼接成一个统一的70维元特征向量。此外，我们使用AAindex矩阵来编码肽序列的物理化学和生物结构特性。应用门控循环单元（GRU）模型来捕获该矩阵中的长程依赖关系，产生另一个70维特征向量。然后将两个70维向量拼接成最终的140维表示，整合了物理化学、生物结构、生物化学和序列衍生特征。使用这140维特征向量来训练一个两层的多层感知机（MLP）分类器。在独立测试集上，我们提出的模型（PredCaII）达到了0.941的准确率、0.883的MCC和0.990的AUC，优于最先进的Multi-Branch-CNN方法（准确率：0.751，MCC：0.431，AUC：0.766）以及所有单个基线模型。此外，我们使用Shapley加法解释（SHAP）和集成梯度评估了模型的可解释性和鲁棒性。这些可解释性分析为模型的决策行为提供了深刻的见解，突出了最有影响力的组成和物理化学特征。实验结果表明，所提出的方法为潜在钙离子抑制剂的发现和筛选提供了一个强大且具有可解释性的计算框架。