Calibrating the classifier for protein family prediction with protein sequence using machine learning techniques: An empirical investigation
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
A gene is a basic unit of congenital traits and a sequence of nucleotides in deoxyribonucleic acid that encrypts protein synthesis. Proteins are made up of amino acid residue and are classified for use in protein-related research, which includes identifying changes in genes, finding associations with diseases and phenotypes, and identifying potential drug targets. To this end, proteins are studied and classified, based on the family. For family prediction, however, a computational rather than an experimental approach is introduced, owing to the time involved in the latter process. Computational approaches to protein family prediction involve two important processes, feature selection and classification. Existing approaches to protein family prediction are alignment-based and alignment-free. The drawback of the former is that it searches for protein signatures by aligning every available sequence. Consequently, the latter alignment-free approach is taken for study, given that it only needs sequence-based features to predict the protein family and is far more efficient than the former. Nevertheless, the sequence-based characteristics taken for study have additional features to offer. There is, thus, a need to select the best features of all. When comes to classification still there is no perfection in classifying the protein. So, a comparison of different approaches is done to find the best feature selection technique and classification technique for protein family prediction. From the study, the feature subset selected provides the best classification accuracy of 96% for filter-based feature selection technique and the random forest classifier.
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 | 0,001 | 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 | 0,001 |
| 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