Unveiling the Potential Pattern Representation of RNA 5-Methyluridine Modification Sites Through a Novel Feature Fusion Model Leveraging Convolutional Neural Network and Tetranucleotide Composition
Notice bibliographique
Résumé
The 5-Methyluridine (m5U), predominantly present in RNA and especially enriched in transfer RNA (tRNA), significantly enhances translational accuracy and protein synthesis by ensuring precise genetic information decoding and optimal tRNA functionality within cellular mechanisms. The identification of m5U modification sites is crucial, as this modification has gained significant attention in diseases such as breast cancer, stress response, and viral infections, offering insights into its molecular mechanisms and regulatory functions in disease contexts. Nevertheless, due to the arduous nature, intricate procedures, reliance on sophisticated and expensive instrumentation, and the need for specialized expertise, conventional biochemical approaches for identifying m5U modification sites result in substantial resource expenditures and notable temporal investments. Consequently, the pressing need for a precise and efficient computational method highlights the urgency for alternative approaches in identifying m5U modification sites. In this study, we introduce a novel computational approach called "Deep-m5U," which combines the strengths of Convolutional Neural Networks (CNNs) and tetranucleotide composition to accurately identify methyluridine modification sites and improve overall performance. The developed Deep-m5U method leverages CNNs to accurately detect protein-coding regions and capture relevant motifs, while incorporating tetra-nucleotide composition to capture global compositional characteristics, resulting in a more robust model that significantly enhances performance. We evaluated the Deep-m5U model on two publicly available benchmark datasets: the full transcript and mature mRNA datasets. Our results showcase superior performance, achieving accuracies of 91.26% and 95.63% respectively, surpassing the current cutting-edge methods. Moreover, the open-source code for Deep-m5U is freely accessible at: https://github.com/waleed551/Deep-m5U.
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 ».