AFP-SRC：利用稀疏表示分类器识别抗冻蛋白
计算机视觉与模式识别
2021-09-27 v3 机器学习
信号处理
生物大分子
摘要
生活在极端寒冷环境中的物种利用抗冻蛋白（AFPs）以多种方式操纵水的冻结机制来对抗严酷条件。AFP 这种惊人特性在若干工业与医学应用中极为有用。其结构与序列缺乏相似性使得预测成为艰巨任务，且在湿实验室中实验鉴定耗时且昂贵。在本研究中，我们提出一种基于使用稀疏重构的样本特异性分类方法的 AFP 预测计算框架。利用线性模型与已知 AFP 的过完备字典矩阵预测提供样本关联分数的稀疏类标签向量。应用 Delta 规则使用样本关联向量的下部和上部重构两个伪样本，并基于最小恢复分数分配类标签。我们在标准数据集上将我们的方法与当代方法比较，所提方法在平衡准确率与尤登指数方面表现更优。所提方法的 MATLAB 实现可在作者 GitHub 页面获取（{https://github.com/Shujaat123/AFP-SRC}{https://github.com/Shujaat123/AFP-SRC}）。
引用
@article{arxiv.2009.05277,
title = {AFP-SRC: Identification of Antifreeze Proteins Using Sparse Representation Classifier},
author = {Shujaat Khan and Muhammad Usman and Abdul Wahab},
journal= {arXiv preprint arXiv:2009.05277},
year = {2021}
}
备注
This preprint has not undergone any post-submission improvements or corrections. The Version of Record of this article is published in Neural Computing and Applications, and is available online at https://doi.org/10.1007/s00521-021-06558-7