結構化二元建模（Structured Binary Modeling）在科學研究中扮演關鍵角色，然而過去相關流程常散落在各類腳本與暫存檔案中，導致預處理步驟、基準測試、模型部署及解釋性輸出難以追蹤，嚴重限制了研究的可重複性與後續應用。為解決此痛點，研究團隊開發了「Shiny 二元建模平台」（Shiny Binary Modeling Platform），這是一款基於 R 語言與 Shiny 框架的應用程式，旨在將數據設置、預處理保留、候選模型基準測試、最終模型部署、基於夏普值（SHAP, SHapley Additive exPlanations）的解釋、外部驗證支援、模型比較以及封存匯出等功能，整合於單一專案工作流程中，為研究人員提供更具系統性的操作環境。
Shiny 二元建模平台的核心價值在於其高度整合的特性，將原本破碎的建模步驟轉化為連貫的數位化流程。該平台不僅支援數據的初步設置與預處理，更強調「預處理保留」的重要性，確保研究人員能隨時回溯數據處理的細節。此外，平台內建的候選模型基準測試功能，允許使用者在單一環境下進行多種演算法的評估與比較，大幅降低了在不同腳本間切換的複雜度與錯誤風險。這種設計不僅提升了工作效率，更為科學研究的透明度與可重複性奠定了堅實基礎。

在技術實作層面，該平台將模型部署與解釋性分析緊密結合。透過整合 SHAP 演算法，使用者能針對複雜的模型輸出進行直觀的解釋，無論是全域（Global）特徵重要性分析，還是針對單一樣本的局部（Local）瀑布圖輸出，皆能被系統性地封存與稽核。這種將模型解釋與封存匯出功能內建於工作流程的設計，確保了從模型開發到最終報告產出的每一個環節，都能夠被完整記錄與追蹤，有效解決了傳統建模方式中資訊斷層的技術挑戰。

中藥化合物毒性預測實證

為了驗證平台的實用性，研究團隊以 6383 筆中藥衍生化合物紀錄作為示範案例，並結合來源純毒性標籤（Source-derived pure-toxic-source label）與 12 項 ADME（吸收、分佈、代謝、排泄）及物理化學描述符（Physicochemical descriptors）進行測試。研究過程中，平台針對 113 種候選模型規格進行了分層 10 折交叉驗證（Stratified 10-fold cross-validation）。值得注意的是，為了維持評估的嚴謹性，多數類別下採樣（Majority-class downsampling）僅在訓練折中執行，而評估折則保留了原始的不平衡分佈，確保模型效能評估的真實性。

在本次示範中，研究團隊選用「雙向逐步邏輯迴歸篩選後接隨機森林」（Stepglm [both]+RF）作為主要的效能總結模型，並據此進行接收者操作特徵曲線（ROC）與精確度召回率曲線（PR）的報告與結構化匯出。以純毒性標籤為正向類別，該模型合併後的折外（Out-of-fold）PR-AUC 值為 0.2469；在 0.5 的閾值下，毒性類別的精確度（Precision/PPV）為 0.2288、召回率（Recall/Sensitivity）為 0.4091、F1 分數為 0.2935，而負預測值（NPV）則達到 0.9509，展現了平台在處理複雜生物數據時的整合分析能力。

軟體應用價值與未來展望

Shiny 二元建模平台本質上屬於軟體工具開發研究，而非針對特定終點（Endpoint）的最終預測研究。研究團隊強調，本次示範所使用的描述符集合僅用於展示軟體工作流程，不應被視為針對特定毒性定量結構-活性關係（QSAR, Quantitative Structure-Activity Relationship）的全面性特徵集。由於本次示範並未使用獨立的外部驗證數據集，因此報告的效能數據僅代表內部交叉驗證的結果，平台目前的功能重點在於提供一個可重複、可稽核的建模環境，而非宣稱具備即時的毒性預測商業部署能力。

展望未來，該平台已具備外部驗證支援與獨立預測應用程式匯出的功能，為研究人員提供了更廣闊的應用空間。儘管目前的單一數據集示範尚不足以支持獨立的外部效能驗證或競爭性的毒性 QSAR 聲明，但其展現的整合式基準測試、模型部署、稽核化 SHAP 輸出處理及可重複匯出機制，已為結構化二元建模領域提供了一套標準化的解決方案。這項工具的問世，將有助於推動科學界在處理複雜建模任務時，朝向更具透明度與可追溯性的研究模式邁進。

Newsflash | Powered by GeneOnline AI
For any suggestion and feedback, please contact us.
原始資料來源: GO-AI-6號機
Date: Please provide the content or the date you would like me to format! I am ready to convert it for you.