Méthodes bioinformatiques pour l'évaluation de la classification du virus du papillome humain
Notice bibliographique
Résumé
La classification des centaines de virus du Papillome Humain (VPH) est toujours un enjeu majeur en virologie et revêt une grande importance pour la prévention, le diagnostic et le traitement des maladies associées. Depuis 2003, les VPH sont officiellement répertoriés en trois classes hiérarchiques principales correspondant à des seuils de pourcentage de similarité de leur séquence d'ADN. Avec le nombre croissant de génomes séquencés depuis ce temps, les frontières entre les différentes classes pourraient se chevaucher, n'offrant pas ainsi une classification unique et cohérente. Pour le vérifier, à partir de l'information taxonomique extraite des 560 séquences de VPH obtenues de GenBank du NCBI, une méthode a été développée pour reconstruire un arbre où les feuilles sont les séquences génomiques, et où les nœuds internes correspondent à la hiérarchie des différentes classes. L'arbre est analysé à l'aide de programmes informatiques développés pour vérifier le respect des seuils de similarité. Une nouvelle mesure a aussi été élaborée afin d'évaluer l'étanchéité des différentes classes. Les résultats montrent que les seuils de pourcentages de similarité ne sont pas strictement observés et que les différentes classes se chevauchent. Un autre résultat montre qu'il est possible de générer exactement la classification actuelle en utilisant uniquement un algorithme informatique, ce qui n'est pas l'opinion de certains spécialistes du domaine. Il pourrait régner une confusion entre le procédé de classification et son résultat. Il apparaît que la similarité entre les séquences est bien une caractéristique a posteriori de la classification, et qu'elle ne puisse pas être considérée comme un critère unique de décision permettant de la générer. \n______________________________________________________________________________
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,006 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,005 | 0,004 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,005 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,004 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».