Cell type prediction of transcription factor binding sites using machine learning
Bibliographic record
Abstract
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
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.002 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".