AcidProNet: Acidophilic Protein Classification via DCGAN-GP-Based Data Augmentation and Parameter-Shared Mixture-of-Experts Transformer
Notice bibliographique
Résumé
With the continued exploration of biological resources in extreme environments, functional proteins such as acidophilic proteins have attracted increasing attention. These proteins can maintain structural stability and biological functionality under highly acidic conditions (pH < 3), demonstrating significant application potential. However, the current identification of acidophilic proteins still relies on labor-intensive, time-consuming, and costly wet-lab experiments. Existing shallow machine learning methods (e.g., SVM, RF) are limited by their constrained model capacity─characterized by fewer parameters and shallow architectures─which restricts their ability to capture complex sequence-function relationships in acidophilic proteins. To address this issue, we propose an integrated computational framework, AcidProNet, which incorporates three key components: a CNN-based generative adversarial module, DCGAN-GP, for data augmentation; a sparsely and discretely activated, parameter-sharing Mixture-of-Experts Transformer, PS-MoE, designed to effectively optimize encoded features; and the utilization of a pretrained protein language model, ESM C, for extracting biologically meaningful protein embeddings. On an independent test set, our method outperforms existing models. Further expert-grouped and ablation experiments confirm its advantages in model stability and representational power. This study is the first to integrate embedding generation, data augmentation, and expert modeling within a unified framework, providing an efficient and scalable approach for functional protein prediction and laying a methodological foundation for advances in protein engineering applications. Additionally, we have developed a Web site for direct identification of acidophilic proteins, which can be accessed at http://www.bioai-lab.com/AcidNetPro.
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 | 0,000 | 0,000 |
| 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 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 ».