ProtBert-BFD token classification improves intrinsically disordered protein region prediction
Notice bibliographique
Résumé
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 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 ».