K-SNOpred: Identification of protein S-nitrosylation sites through word embedding features and machine learning
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 S-nitrosylation (SNO) is a process involving the covalent modification of cysteine residues by nitric oxide (NO) and its derivatives. Numerous studies have demonstrated that SNO is significantly involved in cell function and pathophysiology. The identification of SNO sites is significant in clarifying their function in cellular physiology, disease processes, and potential treatment strategies, rendering it of paramount importance in medical science. This study developed a machine learning (ML) model named "K-SNOpred" and found notable performance in identifying SNO sites using the Latent Semantic Analysis (LSA) feature embedding system. After collecting dbSNO and RecSNO datasets from the literature search, we applied three feature embedding systems: Doc2vec, FastText, and LSA on each dataset. The study employed various ML models and assessed their performance using multiple evaluation metrics through independent testing and 10-fold cross-validation. The evaluation's outcomes demonstrate that the proposed model achieved an accuracy of 87.56 % and an AUC score of 95.06 %, outperforming existing state-of-the-art (SOTA) models by nearly 10 % in accuracy and 6 % in AUC. Furthermore, the model demonstrated balanced sensitivity and specificity, indicating its ability to detect both positive and negative SNO sites accurately. The outstanding performance of the K-SNOpred model demonstrates its high potential for clinical use and its applicability in the biotechnology field.
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 | 0,000 | 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