Classifying Proteins by Amino Acid Variations of Sequential Patterns
Notice bibliographique
Résumé
Similarities and differences in protein sequence patterns can be used to reveal essential and class-specific functionality of protein families. Traditional supervised learning methods require class labels for classifying sequences but cannot reveal embedded patterns related to inherent functionality and taxonomical variations. We develop algorithm for discovering statistically significant sequence patterns and then aligning and clustering them into Aligned Patterns Clusters (APCs). We measure APC's classification ability: 1) with semi-supervised information measures that require class labels such as: a) class entropy (H) for patterns and each amino acid on a column; and b) class information gain (IG) for each column based its class amino acid distribution and 2) unsupervised measure without relying on class labels, such as: a) Entropy Redundancy (R1) that reflects amino acid conservation and diversity acid in a column and b) Normalized Sum of Mutual Information Redundancy (SR2) which characterizes the dependence of a column with all the other columns in the APC. We applied our Aligned Pattern Synthesis Process on: a) spermidine / spermine-N1-acetyltransferase (SSAT), b) the cytochrome c, and c) the ubiquitin protein families. After validating the classification ability of each of the proposed measures through a simple synthetic data set and the SAAT data, we present results on the other two protein families in a selective manner. In all our experiments, we have demonstrated the ability of each proposed measure and confirm the correlation between the SR2 with R1 and IG. Our experiments reveal how sequence patterns of the rows and amino acid distribution on each column can be associated with class and will be useful for amino acid substitution study, thus avoiding the dependencies on class label, which are often unavailable, inaccurate, or unbalanced. Properties of the measures, computational efficiency and biological impact of the algorithms are discussed in the paper.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».