CHÚC MỪNG SINH VIÊN LỚP HTTT2022.2 CÓ BÀI BÁO ĐƯỢC CHẤP NHẬN TẠI HỘI NGHỊ KHOA HỌC QUỐC TẾ SCFF26 NĂM 2026
Hội nghị quốc tế SCFF26 (The 4th International Conference on From Smart Cities to Smart Factories for a Sustainable Future) là Hội nghị quốc tế lần thứ 4 với chủ đề “From Smart Cities to Smart Factories for a Sustainable Future”, tập trung vào các hướng nghiên cứu như trí tuệ nhân tạo, học máy, dữ liệu lớn, chuyển đổi số, sản xuất thông minh và phát triển bền vững. Hội nghị được đồng tổ chức bởi VSB – Technical University of Ostrava (Cộng hòa Séc) và Trường Đại học Tài chính – Marketing (UFM), nhằm tạo diễn đàn trao đổi học thuật và thúc đẩy hợp tác nghiên cứu quốc tế lâu dài. SCFF26 sẽ được tổ chức vào ngày 13–14/5/2026 tại Thành phố Hồ Chí Minh, Việt Nam. Các bài báo được chấp nhận sẽ được công bố trong Lecture Notes in Networks and Systems (thuộc danh mục Scopus), và một số bài chất lượng cao có thể được chuyển đăng tại MM Science Journal (thuộc Scopus và WoS).
Thông tin chi tiết về hội nghị có thể tham khảo tại: https://fds.ufm.edu.vn/scff26-73.html
Tên bài báo: “An Ensemble Framework Synergizing Machine Learning Models with Optimized Feature Selection for Anticancer Peptides Prediction”
Sinh viên thực hiện:22521338 – Nguyễn Văn Thắng – HTTT2022.2
Giảng viên hướng dẫn: TS. Cao Thị Nhạn
Abstract: Anticancer Peptides (ACPs) have emerged as a promising therapeutic modality, offering distinct advantages such as higher selectivity and reduced systemic toxicity compared to conventional interventions like chemotherapy and radiotherapy. Given the experimental costs of peptide screening, there is an urgent need for robust computational frameworks capable of accurately identifying potential ACPs candidates from large-scale sequence databases. This study constructs a comprehensive benchmark dataset and proposes an ensemble framework to select best features, high accuracy classification models, as well as combination of voting strategy leverage the advantages of both supervised learning models and deep learning models. Experimental results demonstrate that proposed method achieves outperformed performance, with an accuracy of 91.38% and specificity of 93.40% on the independent test set.
