هوش مصنوعی
محدودیت‌های مدل‌های یادگیری ماشین در پیش‌بینی ایمنی‌زایی نئوآنتی‌ژن‌ها
پژوهشی پیش‌چاپ، ۶۰ مدل طبقه‌بندی را برای پیش‌بینی پاسخ سلول‌های T به پپتیدهای جهش‌یافته مقایسه می‌کند و می‌پرسد آیا می‌توان به ویژگی‌های مهم‌شده با SHAP اعتماد کرد.
پژوهشگران در مقاله‌ای منتشرشده در arXiv، عملکرد مدل‌های یادگیری ماشین عمومی را در اولویت‌بندی نئوآنتی‌ژن‌های نامزد واکسن‌های شخصی‌سازی‌شدهٔ سرطان بررسی کرده‌اند؛ هدف، یافتن پپتیدهای جهش‌یافته‌ای است که پاسخ سلول‌های T را برمی‌انگیزند. این مطالعه ۱۲ خانوادهٔ طبقه‌بند را در پنج پیکربندی، در مجموع ۶۰ مدل، با داده‌های پایگاه ITSNdb ارزیابی کرده است. این پایگاه شامل ۱۹۹ نئوآنتی‌ژنِ آزمایش‌شده است: ۱۲۹ مورد ایمنی‌زا و ۷۰ مورد غیرایمنی‌زا.
همهٔ مدل‌ها با یک روش اعتبارسنجی متقاطعِ طبقه‌بندی‌شده ارزیابی شدند؛ در این روش، داده‌هایی که برای انتخاب پیکربندی به کار می‌روند، از داده‌های ارزیابی مدل جدا هستند. چکیدهٔ در دسترس به نتایج مقایسه یا میزان دقت مدل‌ها اشاره نمی‌کند، اما یکی از پرسش‌های اصلی مقاله این است که آیا می‌توان ویژگی‌هایی را که مدل‌ها با روش SHAP مهم تشخیص می‌دهند، قابل‌اعتماد دانست.
این گزارش به کمک هوش مصنوعی تهیه شده است. مطالب براساس منابع درج‌شده تنظیم شده‌اند؛ صحت مستقل همه ادعاها تضمین نمی‌شود.
منبع: arXiv · AI (پیش‌چاپ) — مشاهده منبع اصلی ↗
پیش‌چاپ پژوهشی در arXiv؛ انتشار در این مخزن به معنی داوری همتا نیست
رد این داستان در رادار
خبرهای مرتبط از آرشیو منتشرشده