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.
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 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».