TransformerChrome: Transformer-based Model for Prediction ofGene Expression from Histone Modifications
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
Epigenetic mechanisms play a crucial role in regulating the expression of genes affecting the development, growth, and functioning of organisms, ensuring the activation or repression of specific genes at the appropriate times and in the correct cells. This functionality enables organisms to adapt to internal and external stimuli, uphold homeostasis, and execute diverse biological processes. One such mechanism modulating the expression of genes involves modification of histone proteins. Consequently, there is a need for identifying and comprehensively understanding various histone modifications and their effect on gene expression. The laboratory-based identification process entails the examination of histone modifications (HMs) to analyze the chemical alterations of histone proteins associated with DNA. On the other hand, technological advancements empower AI to address these challenges by discerning protein chemical alterations at HMs associated with DNA, facilitating accelerated comprehension of gene expression with maintained precision, result accuracy, and substantial cost reduction. In this paper, we introduce TransformerChrome, a computational model-based on the transformer neural network architecture, designed to take HMs from gene sites as input and predict gene expression as output. The developed TransformerChrome model has been trained and tested across 56 distinct cell types, using five core HMs. The presented model has been compared against state-of-the-art HM based gene expression predictive models across benchmark datasets in humans. The model is evaluated in terms of area under the receiver operating characteristic curve. The results show superior performance, especially on cell types for which other models show significantly lower performance.
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 | 0,000 |
| 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 découle