A parallel graph-based approach for protein sequence motif discovery
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
This thesis pro','ides a parallel, graph based approach to discover conservecl regons such as motifs n Protein sequences.The motif discover.vproblem has gainecl lot of significa'ce i'r biologlcal scence o'er the past decade.Recently, r,arious approaches have been used srrccessl,lll' to discorer motifs.some of theur are basecl on proba- rilistic appr-oach and the otirers on a combinatorial approach.Tiris thesis rolou,s a graph-based approach to solve this problern, in partcular.using the icea of de Bruijr gaphs The de Bruij'graph has been successfully aroptec i. rle past to solve prob- lens such as locai multiple aligrment and DNA flagment assembly.The proposed algorithni hanesses the power of the de Bruju graph to <scover the corserred re- gior.rs in a protei sequence.The sequentia.lalgorithm has z0% matcires of the rrotil.s*ith the r'fEME and 65% patter'rratches with the Gibbs motif sampler.The algo- rthrn s redesigned and parallelized on the high perfbrma.ncecomputers a'ailable on the Wcstern Canada Reserr"h Grid (WestGricl).Perfbrmance analysis was urade on a pure distributed memorl' luachine using ol' message passing anc on a hybricl ra- chinr: using shared and clistributed access space.Experiments shou,ed that the hyrrid i.rpementation runs 3 times a"s fast s the pure distributec memorv implenentafion.this thcsjs.I rvould lke to thank m1' supcrvisor Dr. Parinaa Thulasiranan for her continuous guidar:rce and encouragenent to develop tris rvork.We acknou'erge the partial support fiom Natural Science and Engineering R.e- search Councl(NSERC) of Canada.\tly sincere thanks to the managenent of \\:cstgricl lbr allowing
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 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