Driving Evolution Towards Discovery of Patterns in Sets of Weakly-Conserved DNA Sequences
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
An evolutionary algorithm is used to evolve a population of self-driving automata (SDAs), modified state machines, that are used to produce output in the form of a DNA sequence. The SDAs are evaluated based on their ability to create sequences that closely match all DNA sequences within a given set. This is evaluated in a pairwise fashion, but attempts to match all sequences concurrently, using two fitness functions that are differentiated by whether they allow for gaps. Additionally, a secondary fitness metric, Sequence Diversity Fitness, encourages diversity among the output of the SDAs within the population throughout evolution. The target sequences are Φ-segments of dehydrin proteins, which are weakly-conserved, can vary considerably in length, and for which traditional methods fail when used to find patterns within them. The ultimate goal is to use SDAs to assist in identifying patterns within Φ-segments. Locating such a pattern could prove fruitful for understanding the functions of dehydrins and how they contribute to the protection of plants from abiotic stresses. Several sets of target sequences are used for analysis, with some sets being more closely-related than others. The evolutionary algorithm was found to produce sequences that matched (according to one of the fitness functions) up to 100% of a given set of target sequences under certain conditions, with closely-related sequences being more accurately matched.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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