LightCPPgen: An Explainable Machine Learning Pipeline for Rational Design of Cell Penetrating Peptides

细胞穿透肽（CPPs）是用于向细胞内传递各种治疗分子的强大载体。尽管具有潜力，但CPPs的合理设计仍然是一个具有挑战性的任务，通常需要大量的实验和迭代。在本研究中，我们介绍了一种创新的方法，利用机器学习（ML）和优化算法的优势进行CPPs的全新设计。我们的策略名为LightCPPgen，它将基于LightGBM的预测模型与遗传算法（GA）相结合，实现CPP序列的系统生成和优化。我们方法的核心是开发一个准确、高效和可解释的预测模型，该模型利用20个可解释特征来阐明影响CPP转位能力的关键因素。CPP预测模型与优化算法协同工作，优化算法被调整以提高计算效率同时保持优化性能。GA解决方案专门针对候选序列的穿透得分，同时尽可能地最大化与原始非穿透肽的相似性，以保留其原始的生物和物理化学特性。通过优先合成最有前途的CPP候选者，LightCPPgen可以大大减少与湿实验相关的时间和成本。总之，我们的研究为CPP设计领域做出了实质性的贡献，提供了一个强大的框架，结合了ML和优化技术，以促进穿透肽的合理设计，同时提高设计过程的可解释性和可解释性。

本论文旨在通过结合机器学习和优化算法的方法，实现对细胞穿透肽的设计和优化，以提高其内部递送的效率。

论文提出了一种名为LightCPPgen的方法，该方法结合了基于LightGBM的预测模型和遗传算法，以系统地生成和优化CPP序列。该方法具有高效、准确、可解释的特点，通过优先选择最有潜力的CPP候选者，极大地减少了湿实验的时间和成本。

论文开发了一种准确、高效、可解释的预测模型，该模型利用20个可解释特征来揭示影响CPP转位能力的关键因素。同时，论文使用遗传算法针对候选序列的穿透得分进行优化，并尝试最大限度地保留其原始生物和物理化学特性。论文的实验结果表明，LightCPPgen方法可以显著提高CPP的内部递送效率，为CPP设计领域的研究提供了一个坚实的框架。

近年来，研究人员在CPP设计方面取得了许多进展。例如，一些研究使用基于统计学的方法来预测CPP的活性，而另一些研究则探索了基于计算机模拟的方法来设计CPP序列。一些研究还利用深度学习技术来实现CPP序列的优化。