深度Q网络在多视图集成学习中的应用：用于预测抗糖尿病肽及糖尿病类型

《IEEE Transactions on Computational Biology and Bioinformatics》：Deep-Q-Network in Multiview Ensemble Learning to Predict Anti-diabetic Peptide and Diabetic Types

抗糖尿病肽（ADPs）靶向β或T细胞调节胰岛素分泌，是糖尿病治疗新方向。本研究提出基于DQN的强化学习方法优化多视图集成模型，整合序列、理化性质及进化信息三类视图，构建36个CNN分支的集成系统。实验显示该方法在标准ADPs数据集上分类准确率达96.37%，Matthews相关系数0.870，AUC 0.983，显著优于现有方法。

　　

摘要：

糖尿病已成为全球范围内一个严重的人类健康问题，会导致心血管并发症、肾脏疾病、脑血管意外等。在人体中，生物活性分子，特别是抗糖尿病肽（ADPs），能够靶向β细胞或T细胞来调节胰岛素的生成，因此它们成为糖尿病治疗的潜在替代方案。近年来，人们研究了多种计算集成方法来预测抗糖尿病肽。尽管集成技术取得了进展，但要找到预测ADPs的最佳解决方案仍需持续的努力和改进。因此，本研究提出了一种基于深度Q网络（DQN）的强化学习（RL）方法，用于优化多视图集成系统以预测抗糖尿病肽和糖尿病类型。首先，为了获得多视图数据，采用了多种特征编码方式，并根据信息来源和信息提取技术将这些编码方法系统地分为三类不同的组。每一组被视为一个“视图”，这些视图基于序列信息、具有序列组成的理化性质以及进化信息。接下来，构建了一个由36个卷积神经网络（CNN）分支组成的集成系统。强化学习技术被用来优化这个集成系统的搜索空间，该系统包含36个CNN分支和三个视图。DQN方法通过编码36位的二进制字符串来找到最优的集成方案。具有理想视图-分类器组合的最优集成系统能够显著提升抗糖尿病肽的预测效果。在标准ADPs数据集上，该系统的分类准确率为96.37%，马修斯相关系数为0.870，曲线下面积为0.983。最后，该集成系统的性能体现在其对抗糖尿病肽活性的预测能力上。