DEPRECATED_DREAM-RNN Human Model Predictor (Rafi et al. 2024) using the Genomic API for Model Evaluation (GAME) Framework
Notice bibliographique
Résumé
This record provides a Predictor container for the DREAM-RNN model (Rafi et al. 2024, Nature Biotechnology). DREAM-RNN is a deep learning model optimized through the Prix Fixe framework, which was developed to systematically evaluate model architectures and training strategies from the Random Promoter DREAM Challenge. The Predictor container (dream_rnn_predictor.sif) includes: - Predictor script for sequence processing and error handling. - Integrated DREAM-RNN model with its dependencies and DREAM conda environment created using dreamRNN_environment.yml. - Pre-trained model weights (model_best.pth) for predictions. - Support scripts like: api_preprocessing_utils.py error_message_functions_updated.py predictor_help_message.json. - Dependencies required by the Predictor. Running the container: Ensure Apptainer is intalled in the system the container is intended to run. Always run the Predictor first, so it can listen for incoming connections from Evaluators: apptainer run --containall dream_rnn_predictor.sif HOST_IP HOST_PORT Additional information can be found on GitHub: Genomic API for Model Evaluation DREAM-RNN Predictor-specific information can be found within the same repository: DREAM-RNN Code repository for the DREAM Challenge models: DREAM Challenge 2022 Github The paper can be found here: Rafi, A.M., Nogina, D., Penzar, D. et al. A community effort to optimize sequence-based deep learning models of gene regulation. Nat Biotechnol 43, 1373–1383 (2025). https://doi.org/10.1038/s41587-024-02414-w
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 | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,004 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,107 | 0,081 |
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 ».