workflow.md

TODO

Experiment

1. 建模方法 & Windows & DB Ratio & Normalization

固定參數

1. Feature set
   • SSE-PSSM
2. Database
   • 全序列計算後拆分

狀態

• OK

結果

• RF XGB CAT 霸榜
• 要 Normalization
• 以 AUC 評斷

2. Feature combination

固定參數

1. Model
   • RF
2. Windows size
   • 21
   • 55
3. Ratio
   • 1

狀態

• 整合建立 Feature 的 Code
  • 主程式 (Connection)
    • feature selection
      1. 單獨評斷
         • 30 -> 5
      2. 組和計算
      3. 列出前 5 組合，進入 Experiment 3
  • Feature
    • Brian
      1. PWM (P, N, P+N, P-N)
      2. 正負電
      3. 極性
    • Ivern
      1. EAAC
      2. CKSAAP
      3. DPC (又是你，你最爛)
      4. DDE
    • Other
      1. SSE-PSSM
  • 專案位置
    • ~/local/connection/NYCU-2023-BioML
  • 修改方式
    • cp {檔案原名} {修改人}_{檔案原名}
  • 可用機器
    • 240 Mothra (24 core)
• 完成 ID Test 的 Code
  1. 讀檔 : *.tsv
  2. 計算 Feature
     • 完成分算運算 (等待確定)
  3. Prediction

結果

• 主程式 (Connection) 尚未完成

3. Hyper parameter tuning

最終調教

1. Model (s)
   • RandomForest
   • CatBoost
   • XGBoost
2. Windows size
   • 40
   • 80
3. Ratio
   • 1
4. Feature
   • ???
5. Hyper parameter tuning
   • ???

狀態

• 一台測一個 Model
  • RandomForest : Mothra
  • CatBoost : VR
  • XGBoost : Sphinx
• 完成 code

結果

• 待完成程式

Hypothesis

• Method
  1. Seq -> k-mer -> feature
  2. Seq -> feature -> k-mer
• 理論
  • 原因
    • 發現 Positive 以及 Negative 內都具有相同序列
  • 問題
    • Positive 以及 Negative 內相同序列理論上會產生相同 Feature
  • 假設
    • 如果先計算 feature，再基於不同位置切 K-mer，Positive 以及 Negative 內相同序列理論上會產生不同 Feature
    • 不同的 Feature 就可以分別出 Positive or Negative
  • 驗證實驗
    • 在 DB 中紀錄所有相同的序列位置，從 Methods 2 中撈出對應的 Feature matrix
    • 已驗證

DB-DB Similarity

• 驗證其中一個優化方式
  • cd-hit-2d NR deduplication
    • 確實有用，不過需要圖表佐證
    • 大約平均 AUC +3%
  • 驗證實驗
    1. 把Positive & Negative 倆倆之間做相似度比對
    2. 以 40 ~ 100 identity 挑出對應的 Seqs
    3. 計算對應向量
    4. 做成 Graph

PPT

1. Data preparation and preprocessing
2. Features investigation
3. Model selection and performance evaluation
4. Perspectives (bonus grading)