FishCODE: a web-based information platform for comprehensive omics data exploration in fish research
Notice bibliographique
Résumé
Abstract In terms of the utilization of omics data, the current fish database analysis functions are primarily relatively simple tools at the transcriptional level, aimed at obtaining the co-expression levels of specified genes or the data visualization of multiple genes, and do not enable users to perform comprehensive omics data analysis. Furthermore, the gene-level information currently provided by these multispecies fish genomics databases is incomplete, and there is a lack of a comprehensive portal that can offer multidimensional genetic information. To address these challenges, we collected extensive multi-omics information on 35 fishes and established the primary comprehensive multi-omics data information platform for fish, FishCODE ( http://bioinfo.ihb.ac.cn/fishcode ). We have collected experimental background of dataset which pertaining to the target fishes, selected a range of datasets that encompass a broad spectrum of research areas, and downloaded the corresponding raw omics data from public repositories such as the Sequence Read Archive (SRA). Through a unified pipeline analysis, FishCODE contains 11,216 samples from 540 sets of genomic, transcriptomic, and methylomic datasets. These data encompass transcript structure and expression, gene methylation levels, protein domains, protein subcellular localization, protein interactions, best matched protein (Swiss-Prot), associated SNP site information (47,111,018), orthologous genes, phylogenetic tree and GO/KEGG annotations. To facilitate comparison, we annotated the experimental background data sets of the FishCODE, FishGET, PhyloFish, FishSED and FishSCT databases using the Fish Experimental Condition Ontology. Currently, the FishCODE database omics dataset includes 146 unique experimental condition words, 654 cumulative experimental condition words, and 13 species with rich experimental background (more than 20 unique FECO words). These data are 3.5 times (42), 8.3 times (74), and 6.5 times (2) those of the second-ranked databases respectively. We generated word cloud maps for the experimental condition vocabularies of FishCODE and FishGET, illustrating the superior richness of FishCODE’s experimental background.
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 | 0,006 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,013 | 0,009 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,004 |
| Science ouverte | 0,003 | 0,008 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,025 | 0,019 |
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 ».