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

Mai Xuân Văn và CS. Tập 134, Số 2A, 2025 32 trị phân biệt trong việc xác định tương tác và có thể gây mất ổn định số học cho các bước xử lý kế tiếp. Giai đoạn 2: Chọn lọc dựa trên tầm quan trọng (Importance–based Selection). Chúng tôi sử dụng mô hình LightGBM như một bộ phân loại thăm dò để trích xuất số Feature Importance dựa trên tổng mức tăng thông tin. Thay vì chọn một số lượng đặc trưng cố định, chúng tôi áp dụng ngưỡng tích lũy 𝑞 = 0.90. Cơ chế này đảm bảo giữ lại tập hợp tối thiểu các đặc trưng hội tụ được 90% năng lượng thông tin cần thiết cho việc phân loại. Giai đoạn 3: Loại bỏ thông tin dư thừa dựa trên tính tương quan (Correlation Filtering). Để tối đa hóa tính trực giao giữa các chiều dữ liệu, chúng tôi tính hệ số tương quan Pearson giữa mọi cặp đặc trưng còn lại. Nếu |𝜌| > 0.90, chúng tôi chỉ giữ lại chiều có mức độ quan trọng cao hơn và loại bỏ chiều kia. Chiến lược này triệt tiêu hiện tượng đa cộng tuyến, giúp bộ học máy xếp chồng hoạt động ổn định và tránh quá khớp. 2.3 Kiến trúc học máy xếp chồng (Ensemble Stacking Architecture) Sau khi hoàn tất lọc đặc trưng, không gian đặc trưng súc tích Φfinal được đưa vào hệ thống phân loại đa tầng bao gồm: Tầng cơ sở (Base Layer): Chúng tôi triển khai hai nhánh LightGBM chạy song song với các thiết lập subsample và colsample_bytree khác biệt nhằm tạo ra sự đa dạng trong việc khai thác không gian đặc trưng. Với mỗi cặp protein, hai mô hình này cung cấp các xác suất dự đoán 𝑓1 và 𝑓2. Tầng tổng hợp (Meta Layer): Cặp xác suất [𝑓1, 𝑓2] được chuyển tiếp đến một bộ học Meta

dựa trên hồi quy Logistic (Logistic Regression). Mô hình này học tổ hợp tuyến tính tối ưu để đưa ra dự đoán cuối cùng 𝑦̂ (công thức 3): 𝑦̂ = 𝜎(𝛽0 + 𝛽1𝑓1 + 𝛽2𝑓2) (3) Việc sử dụng mô hình tuyến tính ở tầng tổng hợp giúp ổn định ranh giới quyết định, tận dụng tối ưu các góc nhìn bổ sung từ tầng cơ sở và giảm thiểu rủi ro quá khớp so với các mô hình phi tuyến phức tạp. 3 Thử nghiệm và đánh giá kết quả nghiên cứu 3.1 Chuẩn bị dữ liệu thử nghiệm Hai bộ dữ liệu được sử dụng trong nghiên cứu này đều có nguồn gốc từ Database of Interacting Proteins (DIP) [23], vốn là một trong những hệ thống dữ liệu PPI có độ tin cậy thử nghiệm cao nhất hiện nay. Đối với mỗi bộ dữ liệu, chúng tôi chỉ giữ lại những cặp tương tác đã