TỐI ƯU HÓA DỰ ĐOÁN TƯƠNG TÁC PROTEIN-PROTEIN TỪ BIỂU DIỄN NGÔN NGỮ THÔNG QUA CƠ CHẾ CHỌN LỌC ĐẶC TRƯNG ĐA GIAI ĐOẠN VÀ HỌC MÁY XẾP CHỒNG

jos.hueuni.edu.vn Tập 134, Số 2A, 2025 39 Khi đối chiếu với Bảng 2, có thể thấy E–StackPPI đạt độ chính xác tổng quan trung bình 95.67%, độ chính xác 96.85% và hệ số tương quan Matthews 91.36%, vượt trội so với toàn bộ các phương pháp tham chiếu. Đáng chú ý hơn, ROC-AUC và PR-AUC đều vượt ngưỡng 99%, cao hơn khoảng 2-3 phần trăm so với mức tốt nhất từng được báo cáo trên bộ dữ liệu này. 3.5 So sánh trên bộ dữ liệu DIP–Human Hiệu năng của nhóm phương pháp tiên tiến trên bộ dữ liệu DIP–Human được trình bày trong Bảng 6. Đây là bộ dữ liệu có mặt bằng hiệu năng cao hơn so với DIP–Yeast, khi nhiều mô hình đạt độ chính xác trên 96% và hệ số tương quan Matthews xấp xỉ 95%. Mặc dù vậy, không có phương pháp nào trong nhóm đạt được ROC-AUC hoặc PR-AUC vượt ngưỡng 99%. Bảng 6. So sánh hiệu năng với 12 phương pháp khác trên tập dữ liệu DIP–Human Phương pháp Accuracy (%) Sensitivity (%) Precision (%) MCC (%) Du và cộng sự (DL) [25] 98.14 96.95 99.13 96.29 Ding và cộng sự (MMI + NMBAC + RF) [32] 97.56 96.57 98.30 95.13 Pan và cộng sự (LDA + RF) [6] 96.40 94.20 N/A 92.80 Huang và cộng sự (DTC + SMR + WSRC) [8] 96.30 92.63 99.59 92.82 OLPP + RoF (Li và cộng sự, 2021) [2] 96.09 95.20 96.56 92.47 Ding và cộng sự (MMI + RF) [32] 96.08 95.05 96.97 92.17 Pan và cộng sự (LDA + RoF) [4] 95.70 97.60 N/A 91.80 Ding và cộng sự (NMBAC + RF) [32] 95.59 94.06 96.94 91.21 Pan và cộng sự (AC + RF) [4] 95.50 94.00 N/A 91.40 Pan và cộng sự (AC + RoF) [4] 95.10 93.30 N/A 91.00 Pan và cộng sự (LDA + SVM) [4] 90.70 89.70 N/A 81.30 Pan và cộng sự (AC + SVM) [4] 89.30 94.00 N/A 79.20

E-StackPPI (đề xuất) 98.60 98.43 98.77 97.20 Ghi chú: Giá trị N/A biểu thị trường hợp không có số liệu tương ứng trong công trình gốc. Các giá trị in đậm thể hiện mô hình đạt hiệu năng cao nhất trong từng cột so sánh. Kết quả từ bảng 6 cho thấy E–StackPPI với độ chính xác tổng quan trung bình là 98.60% và hệ số tương quan Matthews là 97.20% đã vượt qua toàn bộ các phương pháp tiên tiến đã được báo cáo, bao gồm cả mô hình học sâu của Du và cộng sự [25] (MCC xấp xỉ 96.29%). Bên cạnh đó, hai chỉ số là diện tích dưới đường cong ROC 99.70% và chính xác–bao phủ 99.54% đều cao hơn đáng kể so với mức tốt nhất trong nhóm tham chiếu, cho thấy khả năng phân tách lớp của mô hình vượt trội và nhất quán trên bộ dữ liệu DIP–Human.