Application of BiMax, POLS, and LCM-MBC to Find Bicluster on Interactions Protein between HIV-1 and Human
Notice bibliographique
Résumé
Biclustering, in general, is a process of clustering genes and conditions simultaneously rather than clustering them separately. The purpose of biclustering is to discover a subset from experimental data. Further, biclustering results can be analyzed from a biological perspective. Biclustering can also be used for protein-protein interaction. In protein-protein interaction, biclustering can cluster interactions based on rows and columns. In this research, we applied three biclustering algorithms based on graph approach, Binary inclusion-Maximal (BiMax), local search framework based on pairs operation (POLS), and (LCM-MBC) to clustering data of protein-protein interaction between HIV-1 and human. We change the interaction protein-protein interaction data into binary then divided into two datasets called HV positive and HV negative. Then compare the biclustering results of each dataset using heatmap and analyze them with GO terms. From dataset HV positive, BiMax found 30 biclusters, LCM-MBC 31 biclusters, and POLS 13 biclusters. From dataset HV negative, BiMax found eight biclusters, LCM-MBC 14 bicluster, and POLS 10 biclusters. Based on the results of the heatmap, all bicluster entry from BiMax is a protein that interacts, whereas biclusters entry of LCM-MBC and POLS still have proteins that do not interact. It can be concluded that BiMax algorithm is good for clustering protein-protein interaction, especially for binary data.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,006 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».