论文地址：https://www.frontiersin.org/articles/10.3389/fmicb.2022.790063/full
iThermo：手工特征+特征选择+MLP预测
Abstract
嗜热蛋白在生物技术和工业过程都有重要应用，因此需要一个快而准确的方法来识别嗜热蛋白。构建了一个1,368嗜热蛋白和1,445非嗜热蛋白的benchmark dataset，使用MLP和多特征融合策略来从非嗜热蛋白中识别出嗜热蛋白，准确度可以达到96.26%
Introduction
一般来说，在最佳生长温度（OGT）低于50◦C下生存的生物被认为是中温生物，而在50◦C或以上的OGT下生存的生物被称为嗜热生物，热稳定的蛋白质，甚至能有效抵抗高达120◦C的高温
关于嗜热蛋白的研究已经有很多了。研究发现，蛋白质的热稳定性与蛋白质中氨基酸的分布、二肽组成（DC）、疏水性、氢键、残基和残基间接触、螺旋极性表面、侧链相互作用和盐桥有关
Materials and Methods
Dataset
在先前的研究中，学者把50°作为一个截止点来构建一个基准数据集。然而，这一标准似乎并不客观，因为蛋白质即使在微生物的OGT值以上也可能是稳定的，在50以下的负样本在60以上其实也能生存这就导致了混乱。例如，生活在45◦C的微生物产生的蛋白质在60◦C时可能不会变性
为了消除这种情况采用分类是60°以上嗜热，30°以下不嗜热
所有蛋白都是从UniPort里抓取的，随后，我们采用以下步骤来确保蛋白质数据的质量：
- 人工审查过的蛋白质保留下来
- 排除含ambiguous residue的蛋白质
- 排除其他蛋白质片段的序列
- 排除从预测或同源性推断出来的的蛋白质
- 为了消除冗余和同源性偏差，使用CD-HIT程序将序列一致性的截止点设置为30%
最终的基准数据集包含了1,443个非嗜热蛋白和1,366个嗜热蛋白，训练：测试=80：20
Feature Extraction
使用iFethare程序生成7种蛋白质特征
Amino Acid Composition
20种氨基酸在序列中出现的频率
Traditional Pseudo Amino Acid Composition
根据其理化性质来描述残基的相关性，对于每个蛋白P，可以表示为20+λ维：
每个维度元素计算方法，$f_u$ 表示氨基酸出现频率，$\tau_k$ 表示k-tire序列相关因子：
其中 $H_1(R_i)$ 是疏水性的值，$H_2(R_i)$ 是亲水性的值，$M(R_i)$ 是氨基酸Ri侧链质量
Amphiphilic Pseudo Amino Acid Composition
该描述符包含氨基酸基于疏水性和亲水性的部分序列顺序效应
Composition of k-Spaced Amino Acid Pairs
CKSAAP描述了由任何符号为k的氨基酸分隔的配对氨基酸的频率。k的值可以从0到5不等
其中F0表示（k = 0）的CKSAAP，F表示零间隔的氨基酸对的频率，n0表示总的零间隔的氨基酸对
Dipeptide Composition
二肽组成是指蛋白质序列中二肽组成的频率
Dipeptide Deviation From Expected Means
提出的二肽偏离预期平均值，包括二肽组成（DC）、理论平均值（Tm）和理论方差（Tv）的组合
其中，Cg为氨基酸g的总密码子编码，Ch为氨基酸h的总密码子编码。CN是除终止密码子外的密码子数。
N是序列长度
Composition, Transition, and Distribution
根据氨基酸的特性，20个氨基酸可以分为极性、中性和疏水。根据CTD的定义，Composition©为极性、中性和疏水残基的出现百分比；Transition(T)表示转移的频率；Distribution(D)是每组前25、50、75、100%氨基酸的位置
Feature Selection
方差分析（ANOVA）可以用于基于F-value选择最佳特征子集。F值为样本类型之间的方差与样本内的方差之比。一个特征的F值越大，就意味着该特征对区分正样本和负样本的贡献越大
$s^2_b$ 是特征之间的方差，$s^2_w$ 是每个特征样本间的方差
K表示总的特征，N表示总的样本
Classification
SVM，随机森林，K近邻，多层感知机
Performance Evaluation
Results and Discussion
