BitterTranslate: A Natural Language Processing and Machine Learning-Based Framework for Mapping Bitter Taste Receptor Agonism
Notice bibliographique
Résumé
Bitter taste receptors (TAS2Rs) are G protein-coupled receptors (GPCRs) expressed most notably on the tongue, but also in many extraoral tissues. TAS2R ligands are used for improving bitter-drug compliance, treating various illnesses, and studying the receptors' extraoral functions. Although machine learning, a promising drug discovery tool, can be used to predict TAS2R activators, obtaining high-quality features for training is time-intensive and reliant on specialized software. This work explores the potential of transformers (a neural network architecture for extracting features from sequential text strings that has revolutionized natural language processing-based tasks) for predicting these ligands. Hence, BitterTranslate, a TAS2R-agonist prediction algorithm, needs only the Simplified Molecular-Input Line-Entry System (SMILES) string of the ligand and the amino acid sequence of the TAS2R. The algorithm was built using two Bidirectional Encoder Representations from Transformers (BERT) models: one trained on small molecules to extract ligand features and the other trained on GPCRs to extract receptor features. An XGBoost classifier was pretrained on a large GPCR-ligand data set and fine-tuned on the smaller TAS2R-ligand data set. BitterTranslate predicts ligand associations with 80% precision and 65% recall across all TAS2Rs and 83% precision and 88% recall for the receptor with the most data: TAS2R14.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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) | 0,003 | 0,002 |
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 ».