Comparing gene regulatory inferring algorithms with different perspective
Notice bibliographique
Résumé
More than hundred algorithms were developed to infer Gene Regulatory Networks (GRN) describing relations between genes. GRN construction has been a field of interest to researchers since the beginning of the current century. Many competitions were held to encourage the development of GRN inference algorithms, such competitions offer synthetic data to enable the validation of proposed algorithms. A GRN is constructed from an adjacency matrix which contains relations between genes. The developers of many of the GRN inference algorithms set a threshold on the adjacency matrix to construct GRN based on high gene-gene relation weights. This threshold strategy was followed in previous studies to increase the accuracy of any algorithm but yet based on no well-known rule. A different perspective here is to compare different GRN inference algorithms without setting any threshold. Comparison in this work is among different GRN inference algorithms by implementing all algorithms with no threshold on values of adjacency matrices: Differential Equation methods (TSNI), Granger Causality, GP4GRN, GENIE3, NIMEFI (SVR), and PLSNET. Another comparison between different distance metric equations to create adjacency matrix is also studied in an attempt to construct GRN. GP4GRN and GENIE3 participate in producing best results for dream4 InSilico_Size10 while GENIE3 produce best results for all networks of dream4 InSilico_Size100.RÉSUMÉ.Plus de cent algorithmes ont é té dé veloppé s pour dé duire des ré seaux de ré gulation de gè nes (GRN) dé crivant les relations entre gè nes.La construction de GRN est un domaine d'intérêt pour les chercheurs depuis le début du siècle actuel.De nombreux concours ont é té organisé s pour encourager le dé veloppement d'algorithmes d'infé rence GRN.Ces concours offrent des donné es synthé tiques pour permettre la validation des algorithmes proposé s.Un GRN est construit à partir d'une matrice d'adjacence qui contient les relations entre les gè nes.Les dé veloppeurs de nombreux algorithmes d'infé rence GRN ont dé fini un seuil pour la matrice d'adjacence afin de construire un GRN basé sur des poids de relation gè ne-gè ne é levé s.Cette straté gie de seuil a é té suivie dans des é tudes pré cé dentes pour augmenter la pré cision de tout algorithme, sans pour autant s'appuyer sur aucune rè gle bien connue.Une autre perspective consiste à comparer diffé rents algorithmes d'infé rence GRN sans dé finir de seuil.La comparaison dans ce travail est faite entre diffé rents algorithmes d'infé rence GRN en implé mentant tous les algorithmes sans seuil sur les valeurs des matrices d'adjacence: Mé thodes d'é quation diffé rentielle (TSNI), causalité de Granger, GP4GRN, GENIE3, NIMEFI (SVR) et PLSNET.Une autre comparaison entre diffé rentes é quations mé triques de distance pour cré er une matrice d'adjacence est é galement é tudié e dans le but de construire un GRN.GP4GRN et GENIE3 contribuent à produire les meilleurs ré sultats pour dream4 InSilico_Size10, tandis que GENIE3 fournit les meilleurs ré sultats pour tous les ré seaux de dream4 InSilico_Size100.
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 | 0,004 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».