A study of different annealing schedules in SARNA-predict
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Purpose – The purpose of this paper is to present a study of the effect of different types of annealing schedules for a ribonucleic acid (RNA) secondary structure prediction algorithm based on simulated annealing (SA). Design/methodology/approach – An RNA folding algorithm was implemented that assembles the final structure from potential substructures (helixes). Structures are encoded as a permutation of helixes. An SA searches this space of permutations. Parameters and annealing schedules were studied and fine-tuned to optimize algorithm performance. Findings – In comparing with mfold, the SA algorithm shows comparable results (in terms of F -measure) even with a less sophisticated thermodynamic model. In terms of average specificity, the SA algorithm has provided surpassing results. Research limitations/implications – Most of the underlying thermodynamic models are too simplistic and incomplete to accurately model the free energy for larger structures. This is the largest limitation of free energy-based RNA folding algorithms in general. Practical implications – The algorithm offers a different approach that can be used in practice to fold RNA sequences quickly. Originality/value – The algorithm is one of only two SA-based RNA folding algorithms. The authors use a very different encoding, based on permutation of candidate helixes. The in depth study of annealing schedules and other parameters makes the algorithm a strong contender. Another benefit is that new thermodynamic models can be incorporated with relative ease (which is not the case for algorithms based on dynamic programming).
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 découle