Notice bibliographique
Résumé
This work presents a novel two-stage framework for RNA secondary structure prediction, introducing deep learning models that address local substructure prediction and global structure assembly. Drawing insights from RNA folding kinetics, the stage-1 (S1) model proposes local substructures as pixel-level square bounding boxes. The subsequent stage-2 (S2) models, including the scoring network (S2SC) and the encoder-decoder transformer (S2ED), leverage recurrent neural networks (RNNs) with Dynamic Programming (DP) and an encoder-decoder network with a subset prediction formulation, respectively, to achieve efficient global structure assembly. The proposed framework exhibits high accuracy on the human-transcriptome (HT) dataset. However, challenges in performance on the bpRNA dataset are observed, potentially stemming from dataset bias and limitations of the S1 model. Nevertheless, the models exhibit strong generalization capabilities compared to other deep learning models, attributed to the robust inductive bias introduced by the two-stage formulation. Anticipating advancements in computational resources and model architecture, ongoing improvements in performance are expected. The adaptability of the framework is a key highlight, as demonstrated by its capacity to be tailored to new datasets. For example, adjusting the reinforcement learning reward facilitates training the S2ED model on datasets with different structure distributions, showcasing the versatility of the proposed approach. In conclusion, this work offers a unique and effective perspective in RNA secondary structure prediction. Despite current limitations, the framework's adaptability and generalization underscore its potential for continuous evolution, particularly with the anticipated advancements in computational capabilities and the availability of diverse datasets.
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 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».