[论文解读] Prediction of peptide bonding affinity: kernel methods for nonlinear modeling

Charles Bergeron, Theresa A. Hepburn+6 more|arXiv (Cornell University)|Aug 26, 2011

Machine Learning in Bioinformatics参考文献 9被引用 5

一句话总结

本论文提出核偏最小二乘法（KPLS）回归，以超越线性偏最小二乘法（PLS）的局限，利用化学计量描述符中的非线性关系提升肽结合亲和力预测性能。KPLS在结合可迁移原子等价物（TAE）和MOE/RAD描述符时表现显著优于PLS，在COEPRA 2006竞赛中预测决定系数R²最高达0.782，超越了竞赛优胜者在第2轮和第3轮的表现。

ABSTRACT

This paper presents regression models obtained from a process of blind prediction of peptide binding affinity from provided descriptors for several distinct datasets as part of the 2006 Comparative Evaluation of Prediction Algorithms (COEPRA) contest. This paper finds that kernel partial least squares, a nonlinear partial least squares (PLS) algorithm, outperforms PLS, and that the incorporation of transferable atom equivalent features improves predictive capability.

研究动机与目标

• 通过非线性机器学习模型超越线性PLS，提升肽结合亲和力预测的准确性。
• 评估在COEPRA描述符中加入可迁移原子等价物（TAE）和拓扑自相关（RAD）描述符的影响。
• 在具有不同生物靶标的多个COEPRA数据集上，评估核偏最小二乘法（KPLS）与标准PLS的性能表现。
• 识别能最大化盲预测设置下预测性能的最优描述符组合与核函数。
• 通过留一法交叉验证和预测集评估，对模型泛化能力与鲁棒性进行赛后分析。

提出的方法

• 应用核偏最小二乘法（KPLS）回归，作为PLS的非线性扩展，以建模分子描述符与肽结合亲和力之间的非线性关系。
• 在KPLS中使用高斯核与指数核，以捕捉描述符空间中的复杂非线性模式。
• 整合基于电子密度片段重构获得的TAE RECON描述符，以增强分子表征能力。
• 将MOE描述符（几何、拓扑及二维理化性质）和RAD描述符（TAE性质的拓扑自相关性）作为附加特征整合。
• 引入SIMIL评分，结合MOE与RAD特征，以提升模型可解释性与性能。
• 通过留一法交叉验证（LOO-CV）在校准集上进行模型训练与验证，最终预测性能在未见测试集上进行评估。

实验结果

研究问题

• RQ1 核偏最小二乘法（KPLS）是否能显著提升肽结合亲和力建模的预测准确性，超越标准偏最小二乘法（PLS）？
• RQ2 当将可迁移原子等价物（TAE）和拓扑自相关（RAD）描述符加入COEPRA描述符时，对模型性能有何贡献？
• RQ3 在不同COEPRA数据集中，哪种核函数（高斯核 vs. 指数核）能实现最佳预测性能？
• RQ4 将COEPRA描述符与MOE/RAD或SIMIL描述符结合，是否能提升独立预测集上的泛化能力？
• RQ5 赛后模型优化是否能超越原始竞赛提交结果，特别是在预测集R²方面？

主要发现

• 使用高斯核的KPLS在第1轮中达到0.661的预测集相关系数，接近竞赛优胜者的0.677。
• 在第2轮中，KPLS结合所有描述符（COEPRA + MOE/RAD + SIMIL）实现0.782的预测R²，性能较优胜者提升0.046（21.9%），表现更优。
• 在第3轮中，指数核优于高斯核，预测R²达0.242，较优胜者高出0.006（2.5%）。
• MOE/RAD与SIMIL描述符的加入在所有轮次中均持续提升模型性能，且COEPRA+MOE/RAD、COEPRA+SIMIL与完整描述符组合的结果几乎一致。
• KPLS模型在校准集上表现出色，第1轮与第2轮的留一法交叉验证R²均超过0.72，表明模型具有强稳定性和泛化能力。
• SIMIL描述符集（其中一半权重来自MOE/RAD特征）的性能与完整描述符集相当，表明这两类描述符之间存在显著协同效应。