<strong>A Simple Method to </strong><strong>Classification</strong> <strong>&alpha;-Amylase and &alpha;-Glucosidase Inhibitors</strong><strong> Using </strong><strong>LDA and Decision Trees</strong>
Notice bibliographique
Résumé
In this report are used two datasets involving the main antidiabetic enzymes targets α-amylase and α-glucosidase. The prediction of α-amylase and α -glucosidase inhibitory activity as Antidiabetic Agents is carried out using LDA and classification trees (CT). A large data set of 640 compounds for α-amylase and 1546 compounds in the case of α-glucosidase are selected to develop the tree model. In the case of CT-J48 have the better classification model performances for both targets with values above 80- 90% for the training and prediction sets, correspondingly. The best model shows an accuracy higher than 95% for training set; the model was also validated using 10-fold cross-validation procedure and through a test set achieving accuracies values of 85.32% and 86.80%, correspondingly. The main descriptors that influence the inhibitory activity of the antidiabetic enzymes are interpreted. Additionally, the obtained model is compared with other approaches previously published in the international literature showing better or goodness results. Finally, we can say that, the present results provided a double target approach for increasing the estimation of antidiabetic chemicals identification aimed by double-way workflow in virtual screenings pipelines
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 | 0,020 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,028 | 0,028 |
| Méta-épidémiologie (sens large) | 0,029 | 0,011 |
| Bibliométrie | 0,012 | 0,012 |
| Études des sciences et des technologies | 0,021 | 0,017 |
| Communication savante | 0,012 | 0,016 |
| Science ouverte | 0,020 | 0,020 |
| Intégrité de la recherche | 0,014 | 0,018 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 0,008 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».