Prediction of Drug-Target Interactions Through the Application of Supervised Machine Learning Algorithms
Notice bibliographique
Résumé
Numerous machine learning strategies have been utilized and evaluated to improve and optimize predictions of drug-target interactions. The Support Vector Machines (SVM) demonstrated exceptional performance, with an accuracy of 92.3% and an AUC-ROC of 0.97. Random Forests, applying the capability of ensemble researching, established fantastic overall performance with an accuracy of 94.1% and an AUC-ROC of 0.98. The Neural Networks executed a 93.5% accuracy and an AUC-ROC of 0.98 proving its capacity to capture complicated data patterns. Meanwhile, Gradient Boosting Machines (GBM) attained an accuracy of 93.8% and an AUC-ROC rating of 0.97. In addition, three distinct approaches have been tested to benefit comparative insights. Linear Regression (LR) gave an accuracy of 88.7% and an AUC-ROC of 0.94, conveying an understanding on the limitations of linear patterns on this topic. The k-Nearest Neighbors (okay-NN) set of rules done an accuracy of 90.2% and an AUC-ROC of Emphasizing the virtues and ability downsides of instance-primarily based gaining knowledge of, the textual content addresses the significance of 0.95. Decision Trees (DT) finished a 91.5% accuracy price with an AUC-ROC price of 0.96, proving their usefulness in making informed decisions. To recap, at the same time as each set of regulations displayed mind-blowing effectiveness, ensemble solutions, notably Random Forests, only barely passed the overall performance of diverse techniques. The outcomes underscore the modern potential of machine learning algorithms in drug-goal interaction predictions, giving a hopeful trajectory for the destiny of drug discovery.
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 | 0,003 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».