Spline‐Fitting with a Genetic Algorithm: A Method for Developing Classification Structure—Activity Relationships.
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Classification methods allow for the development of structure−activity relationship models when the target\nproperty is categorical rather than continuous. We describe a classification method which fits descriptor\nsplines to activities, with descriptors selected using a genetic algorithm. This method, which we identify as\nSFGA, is compared to the well-established techniques of recursive partitioning (RP) and soft independent\nmodeling by class analogy (SIMCA) using five series of compounds: cyclooxygenase-2 (COX-2) inhibitors,\nbenzodiazepine receptor (BZR) ligands, estrogen receptor (ER) ligands, dihydrofolate reductase (DHFR)\ninhibitors, and monoamine oxidase (MAO) inhibitors. Only 1-D and 2-D descriptors were used. Approximately\n40% of compounds in each series were assigned to a test set, “cherry-picked” from the complete set such\nthat they lie outside the training set as much as possible. SFGA produced models that were more predictive\nfor all but the DHFR set, for which SIMCA was most predictive. RP gave the least predictive models for\nall but the MAO set. A similar trend was observed when using training and test sets to which compounds\nwere randomly assigned and when gradually eliminating compounds from the (designed) training set. The\nstability of models was examined for the random and reduced sets, where stability means that classification\nstatistics and the selected descriptors are similar for models derived from different sets. Here, SIMCA produced\nthe most stable models, followed by SFGA and RP. We show that a consensus approach that combines all\nthree methods outperforms the single best model for all data sets.
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.
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 découle