Combining a genetic algorithm and ensemble method to improve the classification of viruses
Notice bibliographique
Résumé
Genomic features identification is an important step toward machine learning (ML) derived classifiers. Designing robust feature identification methods can increase the performance of ML algorithms and reduce high dimensional data. The Classification of genomes from nucleotides sequences often requires an exponential feature space according to the size of the genomes. These feature spaces should also capture the abundant mutations affecting the genomic sequences over time of several complex viruses such as the human immunodeficiency virus (HIV). One way of overcoming such challenges could be to design an accurate and efficient algorithm to capture a bag of minimal subsets of genomic features based on k-mers that could represent the most likely alternative and evolutionary space. In this article, we introduce KEVOLVE, a new method based on a Genetic Algorithm (GA) including a ML kernel to extract a bag of minimal subsets of genomic features maximizing a given classification score threshold. K EVOLVE is coupled with an ensemble prediction model based on support vector machines (SVMs) and is applied on the classification of HIV genomic sequences. Subsets of genomic features identified reduce the size of initial feature matrices by 99% and models based on them outperform state-of-the-art HIV predictors. The results also show that KEVOLVE is less sensitive to high mutation rates of the virus. The source code is available at https://github.com/bioinfoUQAM/Kevolve
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 ».