Bio-inspired Approaches for G-protein coupled receptors identification using Chou’s PseAAC
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
Background: G–protein coupled receptors (GPCRs) are key factors in cell-to-cell communication. GPCR activation is necessary for normal physiology of all organisms while dysfunction of GPCR signalling is responsible for many of the diseases. Consequently, GPCRs have a fundamental role in pharmacological research and are targets for many drugs. Objective: The problem is that many GPCRs remain orphans (have unknown function), they are not classified correctly, and new bioinformatics approaches are needed to address this issue. In our work, we focus on bio-inspired approaches, which are increasingly used in recent years because of their interesting inspirations from biological systems mechanisms and their good performances in many research areas. Methods: In this article, we use categories of bio-inspired well-known methods to identify GPCR function, which are swarm-based approaches and immunological computing. The proposed classifiers based on three popular swarm intelligence approaches are Ant Colony Optimization (ACO), Particle Swarm Optimization (PSO) and PSO/ACO hybridization. The classification results are compared with these of the proposed immunological classifier based on the Artificial Immune Recognition System (AIRS), in order to identify the best bio-inspired method for the given problem. Results: The immune classifier (AIRS2) provided better results than swarm-based classifiers, specifically at the first levels (superfamily and families) Conclusion: It is interesting to adapt the bio-inspired algorithms in order to increase predictive accuracy at all GPCR hierarchical levels
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 découle