KD_MultiSucc: incorporating multi-teacher knowledge distillation and word embeddings for cross-species prediction of protein succinylation sites
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
Protein succinylation is a vital post-translational modification (PTM) that involves the covalent attachment of a succinyl group (-CO-CH2-CH2-CO-) to the lysine residue of a protein molecule. The mechanism underlying the succinylation process plays a critical role in regulating protein structure, stability, and function, contributing to various biological processes, including metabolism, gene expression, and signal transduction. Succinylation has also been associated with numerous diseases, such as cancer, neurodegenerative disorders, and metabolic syndromes. Due to its important roles, the accurate prediction of succinylation sites is essential for a comprehensive understanding of the mechanisms underlying succinylation. Although research on the identification of protein succinylation sites has been increasing, experimental methods remain time-consuming and costly, underscoring the need for efficient computational approaches. In this study, we present KD_MultiSucc, a model for cross-species prediction of succinylation sites using Multi-Teacher Knowledge Distillation and Word Embedding. The proposed method leverages the strengths of both Knowledge Distillation and Word Embedding techniques to reduce computational complexity while maintaining high accuracy in predicting protein succinylation sites across species. Experimental results demonstrate that the proposed predictor outperforms existing predictors, providing a valuable contribution to PTM research and biomedical applications. To assist readers and researchers, the codes and resources related to this work have been made freely accessible on GitHub at https://github.com/nuinvtnu/KD_MultiSucc/.
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 | 0,001 |
| 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 découle