Hasil Pencarian  ::  Simpan CSV :: Kembali

"Kanker payudara menempati urutan kedua penyebab kematian wanita, pencegahannya dapat dilakukan dengan skrining dini dan meningkatkan kesadaran diri. Obat terapi hormon dengan target kadar estrogen menawarkan perawatan potensial. Namun, penemuan obat konvensional untuk perawatan kanker payudara memerlukan proses yang ekstensif dan mahal. Studi ini menyajikan kerangka kerja untuk menganalisis hubungan Quantitative Structure-Activity Relationship (QSAR) dari inhibitor reseptor estrogen  alfa. Pendekatan kami menggunakan supervised learning, mengintegrasikan informasi self-attention Transformer dan graf molekul untuk memprediksi inhibitor reseptor estrogen alfa. Kami melatih lima model klasifikasi untuk memprediksi inhibitor pada kanker payudara. Di antara semua model, model MATH yang kami usulkan mencapai precision, recall, f1-score, dan specifity yang unggul, dengan nilai masing-masing 0,952, 0,972, 0,960, dan 0,922, beserta dengan ROC-AUC 0,977. MATH menunjukkan kinerja yang kuat, menunjukkan potensi untuk membantu peneliti di bidang farmasi dan kesehatan khususnya dalam mengidentifikasi kandidat senyawa penghambat alfa estrogen dan memandu jalur penemuan obat.

---

Breast cancer ranks as the second leading cause of death among women, but early screening and self-awareness can help prevent it. Hormone therapy drugs that target estrogen levels offer potential treatments. However, conventional drug discovery entails extensive, costly processes. This study presents a framework for analyzing the quantitative structure-activity relationship (QSAR) of estrogen receptor alpha inhibitors. Our approach utilizes supervised learning, integrating self-attention Transformer and molecular graph information to predict estrogen receptor alpha inhibitors. We establish five classification models for predicting these inhibitors in breast cancer. Among these models, our proposed MATH model achieves remarkable precision, recall, f1-score, and specificity, with values of 0.952, 0.972, 0.960, and 0.922, respectively, alongside a ROC-AUC of 0.977. MATH exhibits robust performance, suggesting its potential to assist pharmaceutical and health researchers in identifying candidate compounds for estrogen alpha inhibitors and guiding drug discovery pathways."

"Pendekatan transfer learning telah digunakan di beragam permasalahan, khususnya low-resource language untuk meningkatkan performa model di masing-masing permasalahan tersebut. Fokus pada penelitian ini ingin menyelidiki apakah pendekatan cross-lingual transfer learning mampu meningkatkan performa pada model constituency parsing bahasa Indonesia. Constituency parsing adalah proses penguraian kalimat berdasarkan konstituen penyusunnya. Terdapat dua jenis label yang disematkan pada konstituen penyusun tersebut, yakni POS tag dan syntactic tag. Parser model yang digunakan di penelitian ini berbasis encoder-decoder bernama Berkeley Neural Parser. Terdapat sebelas macam bahasa yang digunakan sebagai source language pada penelitian ini, di antaranya bahasa Inggris, Jerman, Prancis, Arab, Ibrani, Polandia, Swedia, Basque, Mandarin, Korea, dan Hungaria. Terdapat dua macam dataset bahasa Indonesia berformat Penn Treebank yang digunakan, yakni Kethu dan ICON. Penelitian ini merancang tiga jenis skenario uji coba, di antaranya learning from scratch (LS), zero-shot transfer learning (ZS), dan transfer learning dengan fine-tune (FT). Pada dataset Kethu terdapat peningkatan F1 score dari 82.75 (LS) menjadi 84.53 (FT) atau sebesar 2.15%. Sementara itu, pada dataset ICON terjadi penurunan F1 score dari 88.57 (LS) menjadi 84.93 (FT) atau sebesar 4.11%. Terdapat kesamaan hasil akhir di antara kedua dataset tersebut, di mana masing-masing dataset menyajikan bahwa bahasa dari famili Semitic memiliki skor yang lebih tinggi dari famili bahasa lainnya.

---

The transfer learning approach has been used in various problems, especially the low-resource languages, to improve the model performance in each of these problems. This research investigates whether the cross-lingual transfer learning approach manages to enhance the performance of the Indonesian constituency parsing model. Constituency parsing analyzes a sentence by breaking it down by its constituents. Two labels are attached to these constituents: POS tags and syntactic tags. The parser model used in this study is based on the encoder-decoder named the Berkeley Neural Parser. Eleven languages are used as the source languages in this research, including English, German, French, Arabic, Hebrew, Polish, Swedish, Basque, Chinese, Korean, and Hungarian. Two Indonesian PTB treebank datasets are used, i.e., the Kethu and the ICON. This study designed three types of experiment scenarios, including learning from scratch (LS), zero-shot transfer learning (ZS), and transfer learning with fine-tune (FT). There is an increase in the F1 score on the Kethu from 82.75 (LS) to 84.53 (FT) or 2.15%. Meanwhile, the ICON suffers a decrease in F1 score from 88.57 (LS) to 84.93 (FT) or 4.11%. There are similarities in the final results between the two datasets, where each dataset presents that the languages from the Semitic family have a higher score than the other language families."