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 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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».