Evaluating transfer learning for classification of proteins in bioinformatics

Este estudio presenta una solución para mejorar significativamente la clasificación de proteínas en familias o dominios utilizando transfer learning. Con más de 229 millones de proteínas en UniProtKB, solo el 0.25% de ellas han sido anotadas y clasificadas en más de 17,000 familias posibles. Recient...

Descripción completa

Guardado en:
Detalles Bibliográficos
Autores principales: Vitale, Rosario, Stegmayer, Georgina
Formato: Objeto de conferencia
Lenguaje:Inglés
Publicado: 2023
Materias:
Ciencias Informáticas
Machine learning
Transfer learning
Classification
Protein family
Acceso en línea:http://sedici.unlp.edu.ar/handle/10915/165928
Aporte de:
SEDICI (UNLP) de Universidad Nacional de La Plata
id I19-R120-10915-165928
record_format dspace
spelling I19-R120-10915-1659282024-05-10T20:05:02Z http://sedici.unlp.edu.ar/handle/10915/165928 Evaluating transfer learning for classification of proteins in bioinformatics Vitale, Rosario Stegmayer, Georgina 2023-09 2023 2024-05-10T18:42:15Z en Ciencias Informáticas Machine learning Transfer learning Classification Protein family Este estudio presenta una solución para mejorar significativamente la clasificación de proteínas en familias o dominios utilizando transfer learning. Con más de 229 millones de proteínas en UniProtKB, solo el 0.25% de ellas han sido anotadas y clasificadas en más de 17,000 familias posibles. Recientemente, aparecieron modelos de aprendizaje profundo (DL) para esta tarea. Sin embargo, los modelos requieren grandes cantidades de datos para el entrenamiento, y la mayoría de las familias tienen solamente algunos ejemplos. Para abordar este problema, proponemos la aplicación de Transfer Learning (TL). Este enfoque implica un aprendizaje auto supervisado en conjuntos de datos grandes y no etiquetados para generar un vector numérico para cada entrada. Esta representación aprendida se puede usar con aprendizaje supervisado en un conjunto de datos pequeño y etiquetado para una tarea de clasificación específica. Los resultados logrados en este estudio indican que el uso de TL para la clasificación de familias de proteínas puede reducir el error de predicción en un 55% en comparación con los métodos estándar y en un 32% en comparación con los modelos de DL con representaciones de entrada simples, como la codificación one hot. Este estudio demuestra que el TL es una técnica efectiva y prometedora para mejorar la clasificación y anotación de proteínas en bases de datos grandes pero no anotadas. This study presents a solution to significantly improve protein classification into families or domains using transfer learning. With more than 229 million proteins in UniProtKB, only 0.25% of them have been annotated and classified into over 17,000 possible families. Recently, deep learning (DL) models appeared for this task. However, DL models require large amounts of data for training, and most protein families have just a few examples. To tackle this issue, we propose the application of Transfer Learning (TL) to the classification problem. The TL approach involves self-supervised learning on large and unlabeled datasets to generate a numerical embedding for each data point. This representation learned can then be used with supervised learning on a small, labeled dataset for a specific classification task. The results achieved in this study indicate that using TL for protein families classification can reduce the prediction error by 55% compared to standard methods and by 32% compared to DL models with simple input representations such as one-hot encoding. This study demonstrates that transfer learning is an effective and promising technique to improve protein classification and annotation in large and yet un-annotated databases. Sociedad Argentina de Informática e Investigación Operativa Objeto de conferencia Objeto de conferencia http://creativecommons.org/licenses/by-nc-sa/4.0/ Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0) application/pdf 25-36
institution Universidad Nacional de La Plata
institution_str I-19
repository_str R-120
collection SEDICI (UNLP)
language Inglés
topic Ciencias Informáticas
Machine learning
Transfer learning
Classification
Protein family
spellingShingle Ciencias Informáticas
Machine learning
Transfer learning
Classification
Protein family
Vitale, Rosario
Stegmayer, Georgina
Evaluating transfer learning for classification of proteins in bioinformatics
topic_facet Ciencias Informáticas
Machine learning
Transfer learning
Classification
Protein family
description Este estudio presenta una solución para mejorar significativamente la clasificación de proteínas en familias o dominios utilizando transfer learning. Con más de 229 millones de proteínas en UniProtKB, solo el 0.25% de ellas han sido anotadas y clasificadas en más de 17,000 familias posibles. Recientemente, aparecieron modelos de aprendizaje profundo (DL) para esta tarea. Sin embargo, los modelos requieren grandes cantidades de datos para el entrenamiento, y la mayoría de las familias tienen solamente algunos ejemplos. Para abordar este problema, proponemos la aplicación de Transfer Learning (TL). Este enfoque implica un aprendizaje auto supervisado en conjuntos de datos grandes y no etiquetados para generar un vector numérico para cada entrada. Esta representación aprendida se puede usar con aprendizaje supervisado en un conjunto de datos pequeño y etiquetado para una tarea de clasificación específica. Los resultados logrados en este estudio indican que el uso de TL para la clasificación de familias de proteínas puede reducir el error de predicción en un 55% en comparación con los métodos estándar y en un 32% en comparación con los modelos de DL con representaciones de entrada simples, como la codificación one hot. Este estudio demuestra que el TL es una técnica efectiva y prometedora para mejorar la clasificación y anotación de proteínas en bases de datos grandes pero no anotadas.
format Objeto de conferencia
Objeto de conferencia
author Vitale, Rosario
Stegmayer, Georgina
author_facet Vitale, Rosario
Stegmayer, Georgina
author_sort Vitale, Rosario
title Evaluating transfer learning for classification of proteins in bioinformatics
title_short Evaluating transfer learning for classification of proteins in bioinformatics
title_full Evaluating transfer learning for classification of proteins in bioinformatics
title_fullStr Evaluating transfer learning for classification of proteins in bioinformatics
title_full_unstemmed Evaluating transfer learning for classification of proteins in bioinformatics
title_sort evaluating transfer learning for classification of proteins in bioinformatics
publishDate 2023
url http://sedici.unlp.edu.ar/handle/10915/165928
work_keys_str_mv AT vitalerosario evaluatingtransferlearningforclassificationofproteinsinbioinformatics
AT stegmayergeorgina evaluatingtransferlearningforclassificationofproteinsinbioinformatics
_version_ 1807223106654175232

Ejemplares similares