RNALL: AN EFFICIENT ALGORITHM FOR PREDICTING RNA LOCAL SECONDARY STRUCTURAL LANDSCAPE IN GENOMES
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
BACKGROUND: The information of RNA local secondary structures (LSSs) can help retrieve biologically important motifs and study functions of RNA molecules. Most of the current RNA secondary structure prediction tools are not suitable for RNA LSS prediction on the genome scale due to high computational complexity. METHODS: We developed a new computer package Rnall based on a dynamic programming technique, which scans an RNA sequence with a sliding window and extracts all RNA LSSs with sizes no larger than the window size using the nearest neighbor thermodynamic parameters. The worst case running time of Rnall is O(W(3)L), where W is the window size and L is the query sequence length. In practice we observed a running time of O(W(2)L). We further introduced the concept of energy landscape for illustrating RNA LSS, which may facilitate RNA motif mining on the genomic scale. RESULTS: Rnall shows better prediction accuracy than two other prediction tools Lfold and Quickfold. Rnall is also applied to scan for RNA LSSs in three genomes, and the prediction maps well with known RNA motifs. CONCLUSIONS: Rnall is designed for RNA LSS prediction and together with the energy landscape, it has unique features that could be used for RNA structural motif mining. Rnall is freely available for download at http://digbio.missouri.edu/~wanx/Rnall or http://www.sysbio.muohio.edu/Rnall.
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