我有蛋白质列表及其特征值。示例表如下所示：
...............Feature1...Feature2...Feature3...Feature4
Protein1
Protein2
Protein3
Protein4
行是蛋白质，列是特征。
我也有一个相互作用的蛋白质列表；例如
Protein3, Protein4
Protein1, Protein2
Protein4, Protein1
问题：对于初步分析，我想知道哪些特征对蛋白质相互作用的贡献最大。
我的理解是，通常决策树可用于基于熵获得最重要的特征，但我不确定如何将其扩展到蛋白质对（即相互作用）。有没有这种目的的方法？
解决所提出问题的实际方法（一种可能的解决方案）
使用我最喜欢的机器学习工具vowpal wabbit可以直接解决这个问题，它通过-q选项支持二次（交叉）特征。
vowpal wabbit 背景
在我们进入使用细节之前。vowpal wabbit 是一种快速且可扩展的在线机器学习软件，用于分类和回归。我在我的桌面上获得了大约每秒 500 万个特征的学习（训练）率，并且对数据大小（示例数量）没有限制，因为作为在线学习工具，它不需要将完整数据加载到内存中。它还有许多其他吸引人的特性：支持不同的学习算法、多种损失函数、稀疏特征、混合特征类型等等，这些超出了本题的范围。
以下是使用评论解决问题的 3 个步骤：
第 0 步：从 github 下载并构建vowpal wabbit （请参阅底部关于支持的环境的注释）
第 1 步： 准备一个训练集，其中每一行如下所示：
1.0 protein1/protein2|A p1_feature1 p1_feature2 ... |B p2_feature1 ...
...
训练集格式的解释：
最左边的数字1.0是标签（相互作用强度，可以是任何数值），第二个字符串 ' protein1/protein2 ' 是一个标签，用于给该行一个标识，IOW：“此行表示 protein1 和蛋白质2"; 它是可选的，您可以将其视为注释。这个标签字符串也反映在模型的预测中，以识别哪个预测属于哪个示例，但我们不是在这里进行预测，我们只是在建模和研究我们的模型。接下来是 protein1 的输入特征名称空间|A（我们需要定义一个名称空间，以便我们可以在不同的名称空间之间进行交叉，它不必是A, 实际上可以是任何单词，但名称空间之间的第一个字母必须不同，因此我们可以在命令调用中将它们交叉），然后是 protein1 的输入特征列表p1_...。最后是 protein2 的名称空间：|B后跟 protein2 的特征名称p2_...。
vowpal wabbit 的优点之一是您可以使用任意字符串作为特征名称（它会在内部对它们进行散列，但您不在乎）。训练集中唯一的特殊字符是：
|, 为输入特征和命名空间添加前缀，以及:将功能名称与其值分开此处未:使用 ，因为我们假设每个蛋白质特征名称都代表一个布尔值（存在），因此它们的值默认为1并且不需要显式值。
现在您可以vw运行-q ABvowpal_wabbit （可执行文件名为以 ) 开头的命名空间。vowpal_wabbit 将读取数据，学习并为每个特征组合创建一个具有权重的模型，从而导致蛋白质对之间的某种相互作用。在这里，我们将通过vowpal wabbit 附带的 wrapper 实用程序运行它，而不是直接运行，作为我们的最后一步。运行以创建模型，并以人类可读的形式转储模型。ABvwvw-varinfovw-varinfovw
第 3 步：像这样调用vw-varinfo：
vw-varinfo -q AB -c --passes 20 your_data_set_file
vw-varinfo 将按原样将所有选项 ( -q ... -c --passes ...) 传递给vw. 只有-q AB跨越两个功能名称空间是必不可少的。我在上面添加了一个选项（运行多次传递），我相信这会产生更好的结果。
该命令将调用 vowpal wabbit ( vw) 对数据集进行训练，并打印我相信您正在寻找的输出：按强度顺序排列的所有特征交互及其相对权重。
示例输入和输出
假设您的输入 ,prot.dat包括 3 种蛋白质之间的 3 向相互作用：
1.0 protein1/protein2|A a b |B k m
0.6 protein2/protein3|A k m |B b c d
2.2 protein1/protein3|A a b |B b c d
这是一个非常简约的例子。 vw对于更大的数据集（例如，数百万行，数百个特征）不应该有任何问题，此外，我在示例中改变了交互强度标签。如果在您的情况下交互是布尔“是”或“否”，只需使用0（无交互）或1（交互存在）作为每行中的第一个字段。
跑步：
vw-varinfo -q AB -c --passes 20 prot.dat
将产生所有可能的交互（忽略名称空间A和B输出）及其权重：
FeatureName HashVal MinVal MaxVal Weight RelScore
A^k 220268 0.00 1.00 +0.3804 100.00%
A^k^B^k 254241 0.00 0.00 +0.3804 100.00%
A^k^B^m 93047 0.00 0.00 +0.3804 100.00%
B^k 178789 0.00 1.00 +0.1011 26.58%
B^m 17595 0.00 1.00 +0.1011 26.58%
[... trimmed for brevity ...]
A^m^B^m 141879 0.00 0.00 +0.0000 0.00%
Constant 116060 0.00 0.00 +0.1515 0.00%
A^b 139167 0.00 1.00 -0.0641 -16.86%
A^b^B^k 204424 0.00 0.00 -0.1233 -32.43%
A^b^B^m 43230 0.00 0.00 -0.1233 -32.43%
表明在该数据中，对任何相互作用的最强贡献者通常是 1) 仅存在k特征，2)k与自身相互作用的特征（假设两种蛋白质都有它），以及 3)k与 相互作用m。而最弱的（对蛋白质相互作用的负面贡献）是与b特征配对的m特征。
vowpal wabbit 从源代码构建（参见上面的链接）并在 Linux（可能还有其他 unix）、Mac OS-X 和 Windows 上运行。
高温高压
蛋白质相互作用网络可以用无向图表示，蛋白质形成节点，它们的相互作用形成边缘。如果蛋白质相互作用是二元现象，则边缘也是二元的（零或一），否则可以使用实数。您可以将此图以数字方式表示为方阵，尤其是对称的方阵。要找到最重要的特征，您可以保留那些沿着交互矩阵的特征向量具有最大投影的特征。