Assessing the Use of Secondary Structure Fingerprints and Deep Learning to Classify RNA Sequences
Notice bibliographique
Résumé
Non-coding RNAs (ncRNAs) are RNA molecules that do not code for protein, but take part in biological processes, including gene expression. Interestingly, like proteins, they can fold into complex structures to perform their wide array of biological functions. Since the folded structure of a ncRNA may be critical to its function, many studies have attempted to exploit structural data to infer information, often using machine learning techniques. For instance, they have used predicted secondary structures as input features to various machine learning techniques, in order to classify RNA sequences. However, it is known that a strand of RNA can fold into more than one possible structure, and some strands even form different structures in vivo and in vitro. Furthermore, ncRNAs often function as RNA-protein complexes, which can affect structure. We therefore hypothesized that using a single predicted secondary structure for a single sequence may discard important information, which may result in poorer classification accuracy. To investigate this claim, we propose the use of secondary structure fingerprints as features for machine learning applications, and report on a preliminary evaluation of this approach. The fingerprints comprise two categories: a higher-level (topological) representation derived from RNA-As-Graphs (RAG), and free energy fingerprints based on a novel curated repertoire of small RNA motifs. We have also evaluated our deep learning architecture with k-mers as features, alone and combined with secondary structure fingerprints; to see whether secondary structures or nucleotide composition is more useful in RNA classification, and whether or not both feature types complement each other well. The dataset, trained models, and supplemental material of this study are available at https://www.site.uottawa.ca/turcotte/bibm2020.
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 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».