cAPTured: Neural Reflex Arc-Inspired Fuzzy Continual Learning for Capturing in Silico Aptamer-Target Protein Interactions
Notice bibliographique
Résumé
Aptamers are oligonucleotides or peptides with unique binding properties for specific target molecules, and they have shown great potential in diagnostics, therapeutics, and bio-sensing. However, the current in vitro SELEX-based method for discovering new target-selective aptamers is challenging, time-consuming, and often unsuccessful in finding high-affinity aptamers. Recently, in silico methods have gained immense attention. However, since labeled interaction-pair data collection is expensive and needs highly trained specialists, available data is sparse. Further, since acquiring positive-class samples is even more challenging, available datasets showcase high-class imbalance. This makes designing deep learning models incredibly challenging, as they require a sufficiently large training set and are biased towards the dominant class. Additionally, current models cannot be updated in real-time, and end-to-end re-training is necessary for each new aptamer-target interaction pair discovery. The present work is the first to address both these challenges. We present cAPTured, a novel fuzzy continual learning method for predicting aptamer-target protein interaction pairs in a continual learning environment. cAPTured continually updates its learned feature space on a non-stationary interaction-pair data stream. We performed extensive evaluation studies and experiments to establish the effectiveness of the proposed approach. cAPTured outperforms existing methods on the benchmark dataset by a significant margin.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».