LCE
LCE：一個(gè)結(jié)合了隨機(jī)森林和XGBoost優(yōu)勢的新的集成方法 - 知乎 (zhihu.com)
from lce import LCERegressor
from sklearn.datasets import load_diabetes
from sklearn.metrics import mean_squared_error
from sklearn.model_selection import train_test_split
# Load data and generate a train/test split
data = load_diabetes()
X_train, X_test, y_train, y_test = train_test_split(data.data,
data.target,
random_state=0)
# Train LCERegressor with default parameters
reg = LCERegressor(n_jobs=-1, random_state=0)
reg.fit(X_train, y_train)
# Make prediction
y_pred = reg.predict(X_test)
mse = mean_squared_error(y_test, reg.predict(X_test))
print("The mean squared error (MSE) on test set: {:.0f}".format(mse))
GAN
2021年2月70篇GAN/對抗論文匯總 - 知乎 (zhihu.com)
CMU聯(lián)手Adobe：GAN模型迎來預(yù)訓(xùn)練時(shí)代，僅需1%的訓(xùn)練樣本｜CVPR 2022 - 知乎 (zhihu.com)
Predicting protein-peptide binding residues via interpretable deep learning
Predicting protein-peptide binding residues via interpretable deep learning - PubMed (nih.gov)
Bioinformatics | 通過可解釋的深度學(xué)習(xí)預(yù)測蛋白質(zhì)與多肽結(jié)合位點(diǎn) (qq.com)
PepBCL是一個(gè)獨(dú)立于特征設(shè)計(jì)的端到端的預(yù)測模型，在基準(zhǔn)數(shù)據(jù)集上顯著優(yōu)于許多SOTA方法。此外，作者團(tuán)隊(duì)還探討了PepBCL中注意力機(jī)制對于蛋白質(zhì)結(jié)合區(qū)域中結(jié)合位點(diǎn)周圍殘基序列特征的挖掘能力，從而對模型如何預(yù)測結(jié)合位點(diǎn)進(jìn)行了一定的解釋。最后，為了方便研究人員使用，作者團(tuán)隊(duì)還搭建了一個(gè)在線預(yù)測平臺(tái)作為所提出的PepBCL的實(shí)現(xiàn)，其服務(wù)可以訪問如下網(wǎng)址：https://server.wei-group.net/PepBCL/。
該模型可以僅輸入原始蛋白質(zhì)序列進(jìn)行預(yù)測蛋白質(zhì)-多肽結(jié)合位點(diǎn)，不需要借助其他工具和手工特征設(shè)計(jì)，而且通過提出的對比學(xué)習(xí)框架，該模型可以有效地提高不平衡數(shù)據(jù)集上的預(yù)測性能。
image.png
正好可以用來一些沒有結(jié)構(gòu)的序列的分析
