一、StackIL6: a stacking ensemble model for improving the prediction of IL-6 inducing peptides（StackIL6：一种改进IL-6诱导肽预测的堆叠集成模型）
Received: 15 January 2021
Revision received: 30 March 2021
Accepted: 10 April 2021
Published: 08 May 2021
要点
1、提出了一种新的基于堆叠策略的集成模型StackIL6，用于准确和稳定地识别IL-6诱导肽。
2、StackIL6集成了12个不同的特征描述符(来自三组主要的特征描述符，包括基于成分的特征、基于成分转换分布的特征和基于物理化学性质的特征)和5种不同的流行机器学习算法训练的一些基线模型。
3、大量的基准测试实验表明，StackIL6的性能明显优于现有的方法(IL6PRED)，通过训练和独立数据集评估，StackIL6明显优于其组成的基线模型，突出了其出色的识别能力和泛化能力。
论文整体流程图：
二、NeuroPred-FRL: an interpretable prediction model for identifying neuropeptide using feature representation learning（一种利用特征表征学习识别神经肽的可解释预测模型）
Received: 07 February 2021
Revision received: 23
一、StackIL6: a stacking ensemble model for improving the prediction of IL-6 inducing peptides（StackIL6：一种改进IL-6诱导肽预测的堆叠集成模型）
Received: 15 January 2021
Revision received: 30 March 2021
Accepted: 10 April 2021
Published: 08 May 2021
要点
1、提出了一种新的基于堆叠策略的集成模型StackIL6，用于准确和稳定地识别IL-6诱导肽。
2、StackIL6集成了12个不同的特征描述符(来自三组主要的特征描述符，包括基于成分的特征、基于成分转换分布的特征和基于物理化学性质的特征)和5种不同的流行机器学习算法训练的一些基线模型。
3、大量的基准测试实验表明，StackIL6的性能明显优于现有的方法(IL6PRED)，通过训练和独立数据集评估，StackIL6明显优于其组成的基线模型，突出了其出色的识别能力和泛化能力。
论文整体流程图：
二、NeuroPred-FRL: an interpretable prediction model for identifying neuropeptide using feature representation learning（一种利用特征表征学习识别神经肽的可解释预测模型）
Received: 07 February 2021
Revision received: 23