数据挖掘不理想？看这里！

随着生物技术和信息技术的不断发展，化学和生物学领域的公开数据正在爆炸式增长。需要提取这些资源中的丰富信息，然后通过各种数据挖掘方法转化为有用的信息。然而，一个主要的计算挑战是如何有效地代表或编码被调查的分子物体(如蛋白质、DNAs)用于数据挖掘。BioMedR就是为了进一步探索这些复杂的数据而开发的一个综合工具包。

BioMedR是一种免费的R/CRAN包，用于化学、蛋白质、DNAs及其相互作用的配对样本的分子表示。目前版本的BioMedR实现了五种相似性计算方法、四种强大的聚类算法以及若干有用的辅助工具，旨在构建数据采集、数据检查、描述器计算和数据建模的集成分析管道。

install.packages('BioMedR')

或者

install.packages('devtools')

library(devtools)

install_github('wind22zhu/BioMedR')

Code1 获取分子

require('BioMedR')

id <- c('DB00859', 'DB00860')

SMILES <- BMgetDrug(id, 'drugbank', 'smile')

print(SMILES[1])

# 屏幕回显

Code2 计算分子描述符

require(BioMedR)

smi_f <- system.file('vignettedata/test.smi', package = 'BioMedR')

mol1 <- readMolFromSmi(smi_f, type = 'mol')

des_drug <- extrDrugALOGP(mol1)

print(des_drug[2,])

# 屏幕回显

Code3 计算序列描述符

require(BioMedR)

dna_seq <- readFASTA(system.file('dnaseq/hs.fasta', package = 'BioMedR'))

des_seq <- extrDNAkmer(dna_seq[[1]])

head(des_seq)

# 屏幕回显

Code4 计算交互描述符

require(BioMedR)

# results from above snippets

drug1_mat <- as.matrix(des_drug[2,])

drug2_mat <- as.matrix(des_drug[3,])

seq1_mat <- t(as.matrix(des_seq))

# Calculating

des_CCI1 <- getCCI(drug1_mat, drug2_mat, type='combine')

des_CDI1 <- getCDI(drug1_mat, seq1_mat, type='tensorprod')

# Show result

colnames(des_CCI1) = paste('CCI', 1:dim(des_CCI1)[2], sep = '_')

rownames(des_CCI1) = paste('ID', 1:dim(des_CCI1)[1], sep = '_')

print(des_CCI1)

# 屏幕回显

使用的数据是G蛋白耦合受体(GPCR)数据集，第一列是KEGG蛋白ID，第二列是KEGG药物ID。前635行为阳性样本，后635行为阴性样本。运行代码的步骤和屏幕回显如下图(图1-4)

=》第一步：读取文件并检索分子数据集(图1）

=》第二步：计算分子描述符并生成相互作用描述符(图2)

=》第三步：训练随机森林分类模型，并进行5倍交叉验证(图3)

=》第四步：绘图接收器操作特征(ROC)曲线(图4)

从第2步中可以看出，使用了蛋白质的规范化Moreau-Brocor关系描述符和成分描述符用于编码蛋白质信息，使用了图形分子指纹和PubChem指纹用于表示药物信息，然后使用具有“组合”类型的getCPI()功能构建2166描述符的药物目标相互作用。通过使用这些描述符，随机森林模型建立了5倍的交叉验证。如图5所示，建立了一个相当强大的模型。交叉验证集的预测要求为0.807，测试集的预测要求为0.809。交叉验证的AUC为0.877，测试集为0.882。总的来说，随机森林模型得出了令人满意的预测结果。当然，通过选择更合适的描述符和建模算法，预测模型可能会不断改进。

提示：在BioMedR中，rf.fs()功能是根据随机森林算法创建功能选择的，可以与rf.cv()功能相结合，以完成更复杂的建模过程。

>>>end