bittersweet

ほろ苦い：小分子の苦味と甘い味を予測するための機械学習モデルの構築

抽象的な

甘くて苦い味の二分法は、甘い味と苦味への嫌悪感に生じる生来の魅力を持つ人間の味覚システムの顕著な進化的特徴です。苦い甘い味の勾配の分子相関をよりよく理解することは、この軸上の望ましい味の自然および合成化合物の識別に重要です。以前の研究では、苦い甘い味の分子基盤とその識別のために貢献したモデルの理解を進めてきましたが、苦い甘い分子の細心の編集と幅広い分子記述子の利用によってこれらのモデルを強化する十分な範囲があります。これらの目標に向けて、構造化されたデータ編集に基づいて、私たちの研究は、苦い甘い味覚予測（Bittersweet）の最先端の機械学習モデルを備えた統合的なフレームワークを提供します。予測パフォーマンスについては、さまざまな分子記述子を比較し、重要な機能と特徴ブロックをさらに識別します。ほろ苦いモデルの有用性は、Flavordb、FoodB、SuperSweet、Super Natural II、DSStox、DrugBankなどの大規模な専門化学セットの味の予測によって実証されています。この方向での将来の研究を促進するために、すべてのデータセットとほろ苦いモデルを公開し、自由に利用可能な化学記述子に基づいて、苦い甘い味の予測のためのエンドツーエンドのソフトウェアを提示します。

著者

1. Rudraksh Tuwani
2. ソミン・ワドワ
3. ガネーシュ・バグラー^*

Indraprastha Institute of Information Technology（IIIT- Delhi）、インド、インド、インド、Indraprastha Institute for Computational Biology ^*対応する著者（[email protected]、[email protected]）

実行の前提条件

このプロジェクトの一部またはすべてのセクションを実行するために作業環境をセットアップするには、次のことが必要です。

1. プロジェクトをClone The bittersweet

    $ git clone https://github.com/cosylabiiit/bittersweet.git
    $ cd bittersweet
   

2. 孤立した仮想環境を作成するためのツールとしてconda使用しています。一部のパッケージでは、ソースからバイナリを構築する必要があるため、 requirement.ymlからENVを作成する必要があります。

    $ conda env create -f environment.yml
    $ conda activate env 
   

3. 使用後にこの環境を無効にする -

    $ conda deactivate
   

*すべてのスクリプトがPython 2.7環境の下で実行されていることを確認してください。

ディレクトリ構造

 .
.
├── data                     # Model Training & Test Data (Tabular Format)
│   ├── bitter-test.tsv
│   ├── bitter-train.tsv
│   ├── sweet-test.tsv
│   ├── sweet-train.tsv
├── bittersweet                    # All Source Files
│   ├── models			# Trained Models
│   │   ├── bitter_chemopy_boruta_features.p
│   │   ├── bitter_chemopy_rf_boruta.p
│   │   ├── sweet_chemopy_boruta_features.p
│   │   ├── sweet_chemopy_rf_boruta.p
│   ├── __init__.py
│   ├── model.py
│   ├── properties.py
│   ├── read_file.py
├── manuscript-experiments                    # Testing modules (including those for random-control experiments)
│   ├── bittersweet					# Directory containing scripts
│   ├── data						# Directory containing data
│   ├── models						# Directory containing models
├── examples             
├── predict.py 						# methods to test our models
.
.

了承

著者は、計算施設とサポートを提供してくれたIndraprastha Institute of Information Technology（IIIT-Delhi）に感謝します。

著者の貢献

GBとRTは研究を設計しました。 RTはデータをキュレーションしました。 SW、RTは、機能の選択と重要性のランキング実験を実行し、モデルを訓練しました。 RTは、特殊な化学物質セットの苦い甘い予測を生成しました。すべての著者が結果を分析し、原稿を書きました。