利用物理化學特性和卷積神經網路以辨識抗癌胜肽之研究

本研究目的在於針對癌症治療之抗癌肽（Anticancer peptides，ACPs)的預測。對於造成全球第二大死亡原因的癌症以相較於過去傳統的化療、放療與手術切除等方法，以抗癌肽做精準療法針對癌細胞殺除較無副作用。然而發掘新抗癌肽實驗既昂貴又耗時。在過去幾年中有一些研究集中在使用計算方法預測抗癌肽，但預測性能仍有改進空間。我們將整合他們的方法來創建更好的預測模型。

為了更快速準確地預測出抗癌肽，以減少對於抗癌肽實驗研究時時間與金錢多餘的浪費，加速抗癌肽用於臨床治療，增加癌症治療的方式以及減緩癌症病患治療時身體所受的痛苦。

在數據資料收集的部分我們從以前的研究中收集數據，並組合三個不同的數據集以形成一個完整的集合，每個數據及內彼此沒有重複的資料。我們使用Amino acid composition (AAC)、Physicochemical properties (PCC)、Dipeptide composition (DPC)、Atomic composition (ATC)、Pseudo amino acid composition (PseAAC)提取肽序列的特徵。我們在Weka 3.8.2軟體中使用10倍交叉驗證來在支持向量機（SVM）、隨機森林（RF）、人工神經網絡（ANN）和卷積神經網路(CNN)來做為預測抗癌肽建置模型的機器學習方法。

對於特徵分析，我們可以看到抗癌肽序列富含疏水性氨基酸和帶正電荷的氨基酸。在分析結果中顯示出隨機森林在各種類特徵中皆獲得最佳結果，其中以AAC+DPC+PCP+ATC為特徵所訓練出的模型分數最高，其準確度和曲線面積分別為90.07%和0.939。在和前人研究的比較的部分，其中和Manavalan et al.以相同的實驗流程做比較得到了更高的準確度95.47%。