Une approche distribuée de prédiction et d'analyses de microARNs : cas d'application du blé
Bibliographic record
Abstract
L’organisation du génome du blé permet à des variétés de tolérer le froid durant l’hiver canadian. L’inhibition de la transcription par les microARNs (miARNs) est l’un des mécanismes de régulation les plus importants à la tolérance environnementale chez les plantes. Cependant, le groupe de miARNs du blé sensibles au froid et la manière dont ils coordonnent la tolérance par diverses voies biologiques pour divers besoins cellulaires et organismiques sont encore mal compris. L’une des raisons est l’absence d’outils bioinformatiques adéquats pour identifier les miARNs dans les donnés massives de séquençage. Dans ce travail, un pipeline efficace de prédiction de miARN, mirLibSpark, a été mis en oeuvre pour effectuer une analyse plus rapide des librairies de petites ARNs en augmentant la précision de leur classification fonctionelle. Nous avons appliqué ce pipeline sur des données expérimentales issues du blé dans des conditions de stress provenant des champs. Nous avons découvert 134 miARNs parmi les souches du blé et les conditions dans le champ. Différents sous-ensembles de ces miARNs sont responsables de la tolérance dans plusieurs contextes génétiques. Les transcriptomes du blé ont été annotés avec les voies régulatrices KEGG. Pour reconnaître les molécules, une analyse de l’enrichissement fonctionnel des miARNs a montré que les voies régulatrices de transcription, de structure, de métabolisme et les systèmes organismiques peuvent être associés à la tolérance au froid. Les méthodes développées faciliteront les analyses massives des microARNs de blé. En plus, les résultats obtenus pour le pilote sont des ajouts dans la compréhension des mécanismes des miARNs.
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 | 0.004 | 0.010 |
| Meta-epidemiology (narrow) | 0.003 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.003 |
| Bibliometrics | 0.003 | 0.003 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.005 | 0.003 |
| Open science | 0.003 | 0.002 |
| Research integrity | 0.003 | 0.003 |
| Insufficient payload (model declined to judge) | 0.006 | 0.008 |
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".