An integrated AI knowledge graph framework of bacterial enzymology and metabolism
Notice bibliographique
Résumé
The study of bacterial metabolism holds immense significance for improving human health and advancing agricultural practices. The prospective applications of genomically encoded bacterial metabolism present a compelling opportunity, particularly in the light of the rapid expansion of genomic sequencing data. Current metabolic inference tools face challenges in scaling with large datasets, leading to increased computational demands, and often exhibit limited inter-relatability and interoperability. Here, we introduce the Integrated Biosynthetic Inference Suite (IBIS), which employs deep learning models and a knowledge graph to facilitate rapid, scalable bacterial metabolic inference. This system leverages a series of Transformer based models to generate high quality, meaningful embeddings for individual enzymes, biosynthetic domains, and metabolic pathways. These embedded representations enable rapid, large-scale comparisons of metabolic proteins and pathways, surpassing the capabilities of conventional methodologies. The examination of evolutionary and functionally conserved metabolites across diverse bacterial species is facilitated by integrating the predictive capabilities of IBIS into a graph database enriched with comprehensive metadata. The consideration of both primary and specialized metabolism, combined with an embedding logic for enzyme discovery, uniquely positions IBIS to identify potential novel metabolic pathways. With the expansion of genomic data necessitating transformative approaches to advance molecular metabolism research, IBIS delivers an AI-driven holistic investigation of bacterial metabolism.
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 ».