Bioactive Molecule Prediction Using Extreme Gradient Boosting.
Bioactive Molecule Prediction Using Extreme Gradient Boosting.
复制标题
DOI：
10.3390/molecules21080983
复制
发表时间：
2016-07-28
期刊：
影响因子：
--
通讯作者：
Saeed F
中科院分区：
文献类型：
--
作者：
Babajide Mustapha I;Saeed F
随着化学和生物数据的爆炸性增长，从传统的药物发现方法到计算机辅助手段的转变使得数据挖掘和机器学习方法成为当今药物发现过程的组成部分。在本文中，极端梯度升压（Xgboost），这是一个集成的分类和回归树（CART）和梯度升压机的一个变种，研究了生物活性的预测的基础上定量描述的化合物的分子结构。本文使用了文献中熟知的七个数据集，实验结果表明，Xgboost在预测生物活性方面优于随机森林（RF），支持向量机（LSVM），径向基函数神经网络（RBFN）和朴素贝叶斯（NB）等机器学习算法。除了能够在高度不平衡的数据集中检测少数活动类之外，它在高多样性和低多样性数据集上都表现出了出色的性能。
Following the explosive growth in chemical and biological data, the shift from traditional methods of drug discovery to computer-aided means has made data mining and machine learning methods integral parts of today’s drug discovery process. In this paper, extreme gradient boosting (Xgboost), which is an ensemble of Classification and Regression Tree (CART) and a variant of the Gradient Boosting Machine, was investigated for the prediction of biological activity based on quantitative description of the compound’s molecular structure. Seven datasets, well known in the literature were used in this paper and experimental results show that Xgboost can outperform machine learning algorithms like Random Forest (RF), Support Vector Machines (LSVM), Radial Basis Function Neural Network (RBFN) and Naïve Bayes (NB) for the prediction of biological activities. In addition to its ability to detect minority activity classes in highly imbalanced datasets, it showed remarkable performance on both high and low diversity datasets.
登录
查看更多内容
影响因子：
5.6
作者：
Koutsoukas, Alexios;Lowe, Robert;Bender, Andreas
通讯作者：
Bender, Andreas
影响因子：
5.6
作者：
Deconinck, Eric;Zhang, Menghui H.;Vander Heyden, Yvan
通讯作者：
Vander Heyden, Yvan
影响因子：
4.6
作者：
Al-Dabbagh, Mohammed Mumtaz;Salim, Naomie;Saeed, Faisal
通讯作者：
Saeed, Faisal
影响因子：
9.5
作者：
Yang, ZR
通讯作者：
Yang, ZR
影响因子：
4.5
作者：
Friedman, JH
通讯作者：
Friedman, JH