利用XGBoost特征选择和堆叠集成分类器提高蛋白质-蛋白质相互作用预测精度

论文基本情况

• 期刊：《Computers in Biology and Medicine》
• 影响因子及中科院分区：IF： 3.434，中科院三区
• 发表日期：2020年7月
• 作者单位：青岛科技大学
• 代码地址： https://github.com/QUST-AIBBDRC/StackPPI/
• 原文链接：https://www.sciencedirect.com/science/article/abs/pii/S0010482520302481

一、论文创新点：

• 提出了一种新的预测蛋白质-蛋白质相互作用的方法——StackPPI
• 融合PAAC、AD、AAC-PSSM、Bi-PSSM和CTD提取物理化学、进化和序列信息
• 采用XGBoost特征选择方法消除冗余，保留最优特征子集
• 首次利用RF、ET和LR构建了堆叠集成分类器。

二、方法

(一)、特征提取方法

1. 伪氨基酸组成（PAAC）
2. 自相关拓扑指数（AD：MoreanBroto, Moran, and Geary autocorrelation）
3. ACC-PSSM和Bi-PSSM
4. CTD(CTDC,CTDD,CTDT)
   详情见代码

(二）、XGBoost特征选择

XGBoost是一种梯度提升决策树，它使用正则化学习和缓存感知块结构树学习进行集成学习。损失函数如下：

通过增益来确定最优的分裂节点：

XGBoost的特征重要性评分越高，说明相应的特征越重要，越有效，我们根据特征重要性的降序排序得到排名靠前的特征来表征ppi，取前300个重要的特征。

（三）、叠迭分类器：

堆叠集成分类器算法进行两阶段学习;第一阶段使用一个多分类器系统，第二阶段使用一个元分类器，编码序列、进化和衍生的物理化学性质特征，代表蛋白质对，作为数字载体和类别标签提供到第一个阶段。这产生了被元分类器用作输入的概率数据，然后将蛋白质对标记为“相互作用”或“非相互作用”。

• 两个RFs和两个极端随机化树作为基本分类器（数的数量为500，其他参数默认）。
• 在堆叠集成分类器的第二层，使用LR算法]作为元分类器（所有的参数默认）
  算法步骤：
  

三、数据

训练集：

• 幽门螺杆菌（ Helicobacter pylori），正负样本各位1458
• 酵母菌（Saccharomyces cerevisiae），正负样本各位5594

测试集：

• Homo sapiens,相互作用对数量为1412
• Mus. Musculus,相互作用对数量为313
• Caenorhabditis elegans,相互作用对数量为4013
• E. coli，相互作用对数量为6954

基因数据：

• Wnt-related pathway：96个作用对
• disease-specific：108个作用对

四、实验结果

（一）参数的确定（m=9）

（二）、基分类器确定，元分类器比较