Using sequence-to-sequence LSTM to predict RNA virus mutations
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Infection with viruses is one of the main causes of human illness and even death in today's society. Vaccination can help people fight the virus. However, virus mutation will always cause vaccines to fail. Predicting the mutations of viral could help detect the mutated virus early and develop new vaccines so to reduce the rate of infection and death from the virus. The common strategy used to predict virus mutation is determining the important components of the virus, like amino acids and proteins, then using deep learning or machine learning methods to construct models. It is an effective strategy. However, using this strategy always cause people to spend lots of time and money studying the component of the virus, like amino acids, proteins, nucleic acid and so on. To increase efficiency and reduce the cost of research, a new method that can predict virus mutation based on nucleotide sequence alone is something people looking forward to. In recent years, in natural language processing, building a sequence-to-sequence model is becoming a popular and effective method to deal with textual data. As a type of text data, using the idea of sequence to sequence should be good to deal with the RNA sequence. In addition, in terms of the past study of predicting virus mutation, RNA sequence as a kind of time sequence, people generally use long short-term memory (LSTM) methods to handle it. Thus, in this study, we would combine the idea of the sequence-to-sequence model with LSTM method to predict the possible mutation of the virus. This experiment studies the mutation of two typical influenza viruses and achieves encouraging results.
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.
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 | 0,001 |
| 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 découle