Acetylation on lysine residues is considered one of the most potent protein post-translational modifications, owing to its crucial role in cellular metabolism and regulatory processes. Recent advances in experimental techniques have unraveled several lysine acetylation substrates and sites. However, owing to its cost-ineffectiveness, cumbersome process, time-consumption, and labor-intensiveness, several efforts have been geared towards the development of computational tools. In particular, machine learning (ML)-based approaches hold great promise in the rapid discovery of lysine acetylation modification sites, which could be witnessed by the growing number of prediction tools. Recently, several ML methods have been developed for the prediction of lysine acetylation sites, owing to their time- and cost-effectiveness. In this review, we present a complete survey of the state-of-the-art ML predictors for lysine acetylation. We discuss a variety of key aspects for developing a successful predictor, including operating ML algorithms, feature selection methods, validation techniques, and software utility. Initially, we review lysine acetylation site databases, current ML approaches, working principles, and their performances. Lastly, we discuss the shortcomings and future directions of ML approaches in the prediction of lysine acetylation sites. This review may act as a useful guide for the experimentalists in choosing the right ML tool for their research. Moreover, it may help bioinformaticians in the development of more accurate and advanced MLbased predictors in protein research.

中文翻译：

---

预测赖氨酸乙酰化位点的机器学习方法发展的最新趋势。

赖氨酸残基上的乙酰化被认为是最有效的蛋白质翻译后修饰之一，因为它在细胞代谢和调节过程中起着至关重要的作用。实验技术的最新进展揭示了几种赖氨酸乙酰化底物和位点。然而，由于其成本低效、过程繁琐、耗时和劳动密集型，已经做出了一些努力来开发计算工具。特别是，基于机器学习 (ML) 的方法在快速发现赖氨酸乙酰化修饰位点方面具有很大的前景，这可以通过越来越多的预测工具来见证。最近，由于其时间和成本效益，已经开发了几种用于预测赖氨酸乙酰化位点的 ML 方法。在本次审查中，我们对赖氨酸乙酰化的最先进的 ML 预测因子进行了完整的调查。我们讨论了开发成功预测器的各种关键方面，包括操作 ML 算法、特征选择方法、验证技术和软件实用程序。最初，我们回顾了赖氨酸乙酰化位点数据库、当前的 ML 方法、工作原理及其性能。最后，我们讨论了 ML 方法在预测赖氨酸乙酰化位点方面的缺点和未来方向。这篇综述可以作为实验者为他们的研究选择正确的机器学习工具的有用指南。此外，它可能有助于生物信息学家在蛋白质研究中开发更准确和更先进的基于 ML 的预测器。我们讨论了开发成功预测器的各种关键方面，包括操作 ML 算法、特征选择方法、验证技术和软件实用程序。最初，我们回顾了赖氨酸乙酰化位点数据库、当前的 ML 方法、工作原理及其性能。最后，我们讨论了 ML 方法在预测赖氨酸乙酰化位点方面的缺点和未来方向。这篇综述可以作为实验者为他们的研究选择正确的机器学习工具的有用指南。此外，它可能有助于生物信息学家在蛋白质研究中开发更准确和更先进的基于 ML 的预测器。我们讨论了开发成功预测器的各种关键方面，包括操作 ML 算法、特征选择方法、验证技术和软件实用程序。最初，我们回顾了赖氨酸乙酰化位点数据库、当前的 ML 方法、工作原理及其性能。最后，我们讨论了 ML 方法在预测赖氨酸乙酰化位点方面的缺点和未来方向。这篇综述可以作为实验者为他们的研究选择正确的机器学习工具的有用指南。此外，它可能有助于生物信息学家在蛋白质研究中开发更准确和更先进的基于 ML 的预测器。我们回顾了赖氨酸乙酰化位点数据库、当前的 ML 方法、工作原理及其性能。最后，我们讨论了 ML 方法在预测赖氨酸乙酰化位点方面的缺点和未来方向。这篇综述可以作为实验者为他们的研究选择正确的机器学习工具的有用指南。此外，它可能有助于生物信息学家在蛋白质研究中开发更准确和更先进的基于 ML 的预测器。我们回顾了赖氨酸乙酰化位点数据库、当前的 ML 方法、工作原理及其性能。最后，我们讨论了 ML 方法在预测赖氨酸乙酰化位点方面的缺点和未来方向。这篇综述可以作为实验者为他们的研究选择正确的机器学习工具的有用指南。此外，它可能有助于生物信息学家在蛋白质研究中开发更准确和更先进的基于 ML 的预测器。