Classification of HIV data by constructing a social network with frequent itemsets
Notice bibliographique
Résumé
Acquired immune deficiency syndrome (AIDS) is the last and the most life-threatening phase of Human Immunodeficiency Virus (HIV) disease. HIV attacks and heavily affects the immune system of the body which remains unable to resist the disease. HIV uses white blood cells to replicate itself and spreads everywhere in the body. The lifecycle of HIV disease, especially the replication stage must be prominently understood in order to develop effective drugs for treatment. HIV-1 protease enzyme is in charge of cleaving an amino acid octamer into peptides which are used to create proteins by virus. It should be scrutinized properly since it is a potential target to tightly bind drugs to protease for blocking the virus action at an early stage before cell infection. It is very critical to induce a model and predict cleavage of HIV-1 protease on octamers. Several machine learning approaches have been applied for predicting and profiling cleavage rules. However, we propose a novel general approach that can also be applied on different domains. It basically utilizes social network analysis and data mining techniques for classification. This method yet presents promising results that are comparable with existing machine learning methods, besides it gives the opportunity to validate the results obtained by using other techniques from social network analysis perspective. We have used the HIV-1 protease cleavage data set from UCI machine learning repository and demonstrated the effectiveness of our proposed method by comparing it with decision tree, Naive-Bayes and k-nearest neighbor methods.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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) | 0,000 | 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 tête enseignante, 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 ».