SonHi-C: a set of non-procedural approaches for predicting 3D genome organization from Hi-C data
Notice bibliographique
Résumé
1 Abstract Background Many computational methods have been developed that leverage the results from biological experiments (such as Hi-C) to infer the 3D organization of the genome. Formally, this is referred to as the 3D genome reconstruction problem (3D-GRP). None of the existing methods for solving the 3D-GRP have utilized a non-procedural programming approach (such as constraint programming or integer programming) despite the established advantages and successful applications of such approaches for predicting the 3D structure of other biomolecules. Our objective was to develop a set of mathematical models and corresponding non-procedural implementations for solving the 3D-GRP to realize the same advantages. Results We present a set of non-procedural approaches for predicting 3D genome organization from Hi-C data (collectively referred to as SonHi-C and pronounced “sonic”). Specifically, this set is comprised of three mathematical models based on constraint programming ( CP ), graph matching ( GM ) and integer programming ( IP ). All of the mathematical models were implemented using non-procedural languages and tested with Hi-C data from Schizosaccharomyces pombe (fission yeast). The CP implementation could not optimally solve the problem posed by the fission yeast data after several days of execution time. The GM and IP implementations were able to predict a 3D model of the fission yeast genome in 1.088 and 294.44 seconds, respectively. These 3D models were then biologically validated through literature search which verified that the predictions were able to recapitulate key documented features of the yeast genome. Conclusions Overall, the mathematical models and programs developed here demonstrate the power of non-procedural programming and graph theoretic techniques for quickly and accurately modelling the 3D genome from Hi-C data. Additionally, they highlight the practical differences observed when differing non-procedural approaches are utilized to solve the 3D-GRP.
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 | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,004 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 ».