ml_lnp_design_rules

用于预测LNP转染效率并分析细胞类型偏好性转染LNP设计规则的机器学习 pipeline

论文

仓库与代码结构：

• Raw_Data 目录包含用于模型训练和验证的相关数据集

• Runs 目录包含不同的 pipeline 运行结果（使用不同的数据集）

  • "Final_HL_Features_PDI1_RLU1.5_SIZE10000" 运行提供了训练好的模型（仅 B16F10 细胞类型）和论文正文中展示的图表。

  • "example_HL_Features_PDI1_RLU1.5_SIZE10000" 运行提供了模型选择、特征约简、模型诊断和 SHAP 值的 pipeline 输出示例。另见下方说明：

  • 注意：为进行准确的模型比较，已设置外部交叉验证循环的随机状态，但未设置内部交叉验证循环的随机状态，这可能导致不同模型架构的优化。可以设置这些随机状态以提高可重复性。

    • 因此，使用提供的数据集重新运行 pipeline 可能会导致下游结果（如特征优化和 SHAP 值）与论文中呈现的结果略有不同。
    • 重要的是，无论 random_state 如何设置，组成特征（'NP_ratio'、'PEG_(Chol+PEG)'、'(IL+HL)'、'HL_(IL+HL)'）的 SHAP 值通常保持一致。
    • 另一方面，由于样本量小（仅测试了 6 种辅助脂质），辅助脂质化学特征的优化和分析结果变化较大，因此在测试更多脂质化学库之前，不应过分依赖化学特征的结果。

• 每个运行目录下都有子目录，用于存储针对各细胞类型数据集训练的模型的相关结果和图表，以及细胞间比较图表文件夹。

• 每个细胞类型目录包含与机器学习 pipeline 不同方面相关的目录（见下文）：

  • Trained_models: 模型超参数调优和训练好的模型

  • Model_diagnostics: 包含 HL-1（优化模型的留一脂质分析或辅助脂质减一分析）、学习曲线和 straw 模型结果

  • Feature_Reduction : 特征约简/优化过程的训练数据和结果

  • SHAP_Values: 用于特征重要性和设计规则计算的 SHAP 值

  • Figures: 包含论文中使用的大多数图表，并按相关性分组

运行代码：

• 提供 ML_LNP.yml 用于设置 conda 环境。此代码已在 Windows10 上测试。

  • run_pipeline.py 对 Raw_Data 目录中提供的数据集运行机器学习 pipeline。根据需要在主函数顶部更改运行参数。Pipeline 结果将保存在 Runs 文件夹中。

  • plot_Pipeline.py 为 pipeline 生成图表。根据需要在主函数顶部更改绘图参数。图表将保存在相应的 Runs 文件夹中。

  • validate_predictions.py 提供给定新型 LNP（在 Raw_Data 文件夹中提供）的 ML 转染效率预测，并在与实验值比较时生成模型性能指标。

训练数据的格式/基本预处理：

• 训练数据需为 csv 工作簿，其中列代表特征，行代表唯一数据点（见示例），并存储在 "Raw_Data" 目录中

  • 每列的第一行用作特征名称。如果更改，必须在脚本中更新特征名称，即 utilities.py 中的 select_input_params()。

  • 输出参数应由 target_prefix（例如示例代码中的 "RLU_"）与提供的细胞名称（例如示例代码中的 "B16"）连接而成。

    • 如果使用荧光素酶读数作为目标输出参数，原始荧光素酶读数应使用对数转换进行预处理（例如论文中使用自然对数）。

模型的计算机模拟和体外验证

• 顶级模型的性能在分层保留数据集上进行了计算机模拟验证，该数据集包含所有训练数据的 15%，从未用于模型优化或调优。保留数据集经过分层处理，以包含每个辅助脂质类别的代表性训练数据群体。

  • 通过创建新的制剂库（n = 72）进一步在体外验证模型性能，该库使用训练数据中相同的 6 种辅助脂质，但改变了组成参数。组成参数的变化使得每个单独的组成参数值都不存在于训练数据中。