StackAPP: Advancing autophagy protein identification with ensemble learning
Notice bibliographique
Résumé
Autophagy is an important cell process that may be critical for various physiological activities as well as maintenance of the cellular bioenergetic and metabolic homeostasis. Identifying the proteins involved in autophagy is essential for understanding autophagy pathways and developing treatments for autophagy-related disorders. This work introduces an innovative approach to the prediction of autophagy proteins that involves the integration of stacking classifiers with the feature fusion of Amphiphilic Pseudo Amino Acid Composition and Amino Acid Composition. Initially, protein sequences are used to extract Amphiphilic Pseudo Amino Acid Composition and Amino Acid Composition features. The complementary data collected by Amphiphilic Pseudo Amino Acid Composition and Amino Acid Composition are then integrated using a feature fusion technique. Stacking classifiers combines multiple base classifiers to improve predictive performance, using the fused features as input. The proposed method proves its efficacy in the identification of autophagy proteins by achieving an impressive accuracy of 0.9606 and the Matthews correlation coefficient (MCC) of 0.9241 on the independent test. Further, our methodology is better than the standard methods in terms of predictive accuracy, as evidenced through comparative analysis. Overall, the current study provides a realistic model for the prediction of autophagy proteins with prospects for use in the protein prediction field as well as the field of bioinformatics and biomedical to enhance future research directions.
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 | 0,003 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,003 | 0,002 |
| 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 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».