Omics BioAnalytics: Reproducible Research using R Shiny and Alexa
Notice bibliographique
Résumé
Abstract Summary High-throughput technologies produce complex high-dimensional datasets which are analyzed using a variety of ever-evolving bioinformatics tools. Well-designed web frameworks enable more intuitive and efficient analysis such that less time is spent on coding and more time is spent on interpretation of results and addressing insightful biological questions aided by interactive visualizations. Here, we present Omics BioAnalytics, a full-service Web framework that enables comprehensive, multi-level characterization, analysis, and integration of omics datasets. Blending web-based (R Shiny) and voice-based (Amazon’s Alexa) analytics, Omics BioAnalytics can be used both by expert computational biologists and non-coding biological domain experts, alike. Our web framework can be utilized to explore complex datasets and identify biosignatures and discriminative biomarkers of health and disease processes, and generate testable hypotheses relating to underlying molecular mechanisms. Availability Omics BioAnalytics is freely available at https://github.com/singha53/omicsBioAnalytics and the web app is deployed at https://amritsingh.shinyapps.io/omicsBioAnalytics/ . The source code for the companion Alexa Skill can be found at https://github.com/singha53/omics-bioanalytics-alexa-skill .
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 | 0,022 | 0,059 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,003 | 0,003 |
| Bibliométrie | 0,005 | 0,005 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,007 | 0,004 |
| Science ouverte | 0,005 | 0,008 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,046 | 0,058 |
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 ».