Detecting operons from RNA-seq data \nusing a convolutional and recurrent neural \nnetwork architecture
Notice bibliographique
Résumé
Operon is a characteristic of prokaryotic genomes that enables the co-regulation \nof adjacent genes. Identifying which genes belong to the same operon can help in understanding \nbacterial gene function and regulation, which can enhance, for instance, \ndrug development and antibiotic resistance inhibition. There are numerous experimental \nand computational approaches for operon detection; however, many of the \ncomputational approaches have been developed for a specific target genome or require \nspecific information only available for a restricted number of bacterial genomes. \nHere, we develop a novel general method that directly utilizes RNA-seq reads as a \nsignal over nucleotide bases in the genome, extracting all the information from the \nRNA-seq data. This representation enabled us to employ deep learning techniques \nwithout limitations on species. The final model (OpDetect) demonstrates superior \nperformance in terms of recall, f1-score and Area Under Receiver Operating Characteristic \ncurve (AUROC) compared to previous approaches. Additionally, it showcases \nspecies-agnostic capabilities, successfully detecting operons even in Caenorhabditis \nelegans (C. elegans), the only eukaryotic organism known to have operons.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».