A novel stacking-based classifier for identifying antifreeze protein using latent semantic analysis
Notice bibliographique
Résumé
Antifreeze proteins (AFPs) are key in combating cold in living organisms and preventing ice morphogenesis. These proteins have applications in cryopreservation, food preservation, and biotechnology. Factors such as accurate prediction of AFP are considered essential for advancing these fields. In this study, a novel method, StackAFP, for predicting antifreeze proteins has been developed using the stacking method and latent semantic analysis (LSA) as the feature extraction technique. Four machine learning algorithms, such as random forest (RF), XGboost (XGB), CatBoost (CAT), and LightGBM (LGBM), were used as the baseline models, and LGBM is employed as the metaclassifier to develop StackAFP. StackAFP is compared with different conventional machine learning to ensure the robustness of the proposed method. StackAFP shows potentiality with an accuracy of 0.9997, a Matthews Correlation Coefficient (MCC), and a Kappa value of 0.9944. StackAFP outperformed the entire applied conventional machine learning model. Finally, it was found that StackAFP also outperformed the existing methods of identifying AFPs. The performance of StackAFP demonstrates its effectiveness, highlights its potential in bioinformatics, and advances our knowledge of AFPs. The main limiting factor is the severe class imbalance in the dataset, which might influence the model generalization. In future studies, we will employ contrastive learning for better feature representation learning and generalization and reliability of the AFP prediction model.
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 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 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».