MétaCan
Menu
Retour à la cohorte
Enregistrement W7114908522 · doi:10.1093/bib/bbaf631.062

ProtBert-BFD token classification improves intrinsically disordered protein region prediction

2025· article· en· W7114908522 sur OpenAlexaff

Notice bibliographique

RevueBriefings in Bioinformatics · 2025
Typearticle
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueProtein Structure and Dynamics
Établissements canadiensArtificial Intelligence in Medicine (Canada)
Organismes subventionnairesnon disponible
Mots-clésSecurity tokenInferenceGeneralizability theoryScalabilityClassifier (UML)AnnotationMultilayer perceptronPattern recognition (psychology)Deep learning

Résumé

récupéré en direct d'OpenAlex

Abstract Background Intrinsically disordered regions (IDRs) lack stable tertiary structures yet are crucial to transcriptional regulation, signal transduction, and molecular recognition. Experimental annotation of IDRs remains limited—only ~25,000 disordered proteins are cataloged compared with hundreds of millions of known sequences—highlighting the need for scalable computational prediction. We present a systematic evaluation of classical, deep, and transformer-based models for IDR prediction and introduce a fine-tuned ProtBert-BFD token classification framework that achieves high accuracy and generalizability in data-limited settings. Methods Using manually curated annotations from the DisProt database, redundant sequences were filtered with CD-HIT (<30% similarity) and restricted to ≤526 residues, producing ~700 high-quality sequences. The dataset was partitioned (70:15:15) into training, validation, and test sets. We compared multiple architectures: (1) logistic regression and multilayer perceptron as classical baselines; (2) bidirectional and Seq2Seq LSTMs capturing sequential dependencies; and (3) ProtBert-BFD models leveraging pretrained protein-language embeddings for residue-level classification. Results Classical models showed limited predictive power (AUC 0.56–0.69), while LSTM variants improved recall but overfitted due to data imbalance. ProtBert-BFD fine-tuning substantially enhanced accuracy (75.6%), recall (68.4%), and F1-score (64.0%). The token classification variant achieved precision 0.816, recall 0.823, and F1 0.815—surpassing all internal baselines and approaching the state-of-the-art PROFbval model (recall 0.835). Average inference time was only 1.8 s per 530-residue sequence, enabling proteome-scale deployment. Conclusion These findings demonstrate that pretrained transformers effectively capture disorder-related sequence contexts and outperform conventional deep learning in low-data regimes. By integrating transfer learning with efficient inference, the ProtBert-BFD token classification model provides a robust framework for large-scale IDR annotation. Future work will expand datasets, incorporate physicochemical descriptors, and analyze error distributions to refine understanding of protein disorder in health and disease. References Hu, G., Katuwawala, A., Wang, K. et al. flDPnn: Accurate intrinsic disorder prediction with putative propensities of disorder functions. Nat Commun 12, 4438 (2021).

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,009
Score d'incertitude au seuil0,017

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,002
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,002

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.

Tête enseignante Opus0,006
Tête enseignante GPT0,223
Écart entre enseignants0,218 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueBriefings in BioinformaticsMême sujetProtein Structure and DynamicsTravaux en français237 207