Cell type prediction of transcription factor binding sites using machine learning
Notice bibliographique
Résumé
ABR ÉG ÉLes facteurs de transcription spécifiques aux types de cellules contribuent à la régulation de l'expression des gènes, contribuant ainsi à des comportements distincts, propres à chaque type de cellule.La prédiction des sites de fixations des facteurs de transcription spécifiques aux types de cellules à travers le génome est cruciale pour comprendre le réseau régulatoire génétique.Dans cette thèse, une approche d'apprentissage machine est utilisée pour prédire le dans quel type cellulaire une région dADN donnée sera liée par un facteur de transcription spécifique.Les modèles d'apprentissage sont entrainés sur des séquences d'ADN provenant d'expériences Chip-Seq disponibles publiquement du projet ENCODE, pour 52 facteurs de transcription qu'on retrouve dans les types de cellules GM12878, K562, HeLa, H1-hESC et HepG2.Trois différentes méthodes d'extraction de caractéristiques sont utilisées, basées sur les représentations par k-mer, le comptage de motifs connus, ainsi qu'un nouveau modèle appellé skip-gram, qui est devenu très populaire dans l'analyse de texte.Trois algorithmes d'apprentissage sont explorés en utilisant ces méthodes d'extraction, notamment les machines à vecteurs de support, la régression logistique, ainsi que la classification par les k plus proches voisins.Nous atteignons un score AUC de 0.82 pour les expériences de classification et d'extraction de caractéristiques.Les modèles appris, en général, performent mieux pour les paires de types cellulaires qui ont un nombre relativement élevé de sites de fixations des facteurs de transcription spécifiques à leur type.Nous trouvons que la v régression logistique combinée au comptage de motifs connus détecte mieux les signatures spécifiques aux types de cellules que des méthodes publiées précédemment avec une amélioration moyenne de l'AUC de 0.18.Finalement, cette méthode peut être utilisée pour identifier l'interaction des facteurs de transcription.vi
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,002 |
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 ».