العودة إلى البحث

BERT2OME: التنبؤ بتعديلات الميثيل 2′-O من تسلسل الحمض النووي الريبي (RNA) بواسطة بنية المحولات المستندة إلى BERT

العنوان	BERT2OME: التنبؤ بتعديلات الميثيل 2′-O من تسلسل الحمض النووي الريبي (RNA) بواسطة بنية المحولات المستندة إلى BERT
المؤلف	صويلو، نكلا نيسا، سيفر، إمري
تاريخ النشر:	2023-06
مكان النشر	- IEEE
الموضوع	2'-O-methylation، BERT، نمذجة النظام البيولوجي، معدل خطأ البت، الشبكة العصبية التلافيفية، الشبكات العصبية التلافيفية، النماذج التنبؤية، RNA، RNA، تحليل المهام، المحولات، المحولات
النوع	دورية
اللغة	الإنجليزية
رقمي	نعم
مخطوط	لا
المكتبة:	جامعة اوزيجين
معرف أصل المكتبة	1545-5963
رقم السجل	5a1a4c82-0463-4fca-bee1-d4bc0addcaa6
موقع المكتبة	علوم الكمبيوتر
التاريخ	2023-06
نص عينة	أدى العمل الأخير على نماذج اللغة إلى أداء متطور في المهام اللغوية المختلفة. ومن بين هذه البرامج، ركزت تمثيلات التشفير ثنائية الاتجاه من المحولات (BERT) على وضع سياق تضمينات الكلمات لاستخراج السياق ودلالات الكلمات. من ناحية أخرى، يعد تعديل الحمض النووي الريبي (RNA) بعد النسخ 2'-O-methylation (Nm) مهمًا في المهام الخلوية المختلفة ويرتبط بعدد من الأمراض. التقنيات التجريبية عالية الإنتاجية الحالية تستغرق وقتاً أطول للكشف عن هذه التعديلات، ومكلفة في استكشاف هذه العمليات الوظيفية. هنا، لفهم العمليات البيولوجية المرتبطة بعمق بشكل أسرع، توصلنا إلى طريقة B2O فعالة لاستنتاج مواقع تعديل RNA 2'-O-methylation من تسلسلات RNA. يجمع B2O بين النموذج القائم على BERT والشبكات العصبية التلافيفية (CNN) لاستنتاج العلاقة بين مواقع التعديل ومحتوى تسلسل الحمض النووي الريبي (RNA). على عكس الطرق المقترحة حتى الآن، تفترض B2O كل تسلسل RNA معين كنص وتركز على تحسين أداء التنبؤ بالتعديل من خلال دمج نموذج اللغة القائم على التعلم العميق المدرّب مسبقًا BERT. بالإضافة إلى ذلك، يمكن لنهجنا القائم على المحولات أن يستنتج مواقع التعديل عبر أنواع متعددة. وفقًا للتحقق المتبادل بخمسة أضعاف، كانت دقة الإنسان والماوس على التوالي. وبالمثل، كانت درجات ROC AUC 0.99، 0.94 لنفس النوع. تظهر النتائج التفصيلية أن B2O يقلل من الوقت المستهلك في التجارب البيولوجية ويتفوق على الأساليب الحالية عبر مجموعات البيانات والأنواع المختلفة عبر مقاييس متعددة. بالإضافة إلى ذلك، تعد أساليب التعلم العميق مثل شبكات CNN ثنائية الأبعاد أكثر واعدة في تعلم سمات BERT من طرق التعلم الآلي التقليدية. يمكن العثور على التعليمات البرمجية ومجموعات البيانات الخاصة بنا على .
DOI	10.1109/TCBB.2023.3237769
Cilt	20

عرض في المصدر جامعة اوزيجين جامعة اوزيجين - محرك بحث الآثار التاريخية والأرشيفات والدوريات

جامعة اوزيجين

BERT2OME: التنبؤ بتعديلات الميثيل 2′-O من تسلسل الحمض النووي الريبي (RNA) بواسطة بنية المحولات المستندة إلى BERT

المؤلف صويلو، نكلا نيسا، سيفر، إمري

تاريخ النشر 2023-06

مكان النشر - IEEE

الموضوع 2'-O-methylation، BERT، نمذجة النظام البيولوجي، معدل خطأ البت، الشبكة العصبية التلافيفية، الشبكات العصبية التلافيفية، النماذج التنبؤية، RNA، RNA، تحليل المهام، المحولات، المحولات

النوع دورية

اللغة الإنجليزية

رقمي نعم

مخطوط لا

المكتبة جامعة اوزيجين

معرف أصل المكتبة 1545-5963

رقم السجل 5a1a4c82-0463-4fca-bee1-d4bc0addcaa6

موقع المكتبة علوم الكمبيوتر

التاريخ 2023-06

نص عينة أدى العمل الأخير على نماذج اللغة إلى أداء متطور في المهام اللغوية المختلفة. ومن بين هذه البرامج، ركزت تمثيلات التشفير ثنائية الاتجاه من المحولات (BERT) على وضع سياق تضمينات الكلمات لاستخراج السياق ودلالات الكلمات. من ناحية أخرى، يعد تعديل الحمض النووي الريبي (RNA) بعد النسخ 2'-O-methylation (Nm) مهمًا في المهام الخلوية المختلفة ويرتبط بعدد من الأمراض. التقنيات التجريبية عالية الإنتاجية الحالية تستغرق وقتاً أطول للكشف عن هذه التعديلات، ومكلفة في استكشاف هذه العمليات الوظيفية. هنا، لفهم العمليات البيولوجية المرتبطة بعمق بشكل أسرع، توصلنا إلى طريقة B2O فعالة لاستنتاج مواقع تعديل RNA 2'-O-methylation من تسلسلات RNA. يجمع B2O بين النموذج القائم على BERT والشبكات العصبية التلافيفية (CNN) لاستنتاج العلاقة بين مواقع التعديل ومحتوى تسلسل الحمض النووي الريبي (RNA). على عكس الطرق المقترحة حتى الآن، تفترض B2O كل تسلسل RNA معين كنص وتركز على تحسين أداء التنبؤ بالتعديل من خلال دمج نموذج اللغة القائم على التعلم العميق المدرّب مسبقًا BERT. بالإضافة إلى ذلك، يمكن لنهجنا القائم على المحولات أن يستنتج مواقع التعديل عبر أنواع متعددة. وفقًا للتحقق المتبادل بخمسة أضعاف، كانت دقة الإنسان والماوس على التوالي. وبالمثل، كانت درجات ROC AUC 0.99، 0.94 لنفس النوع. تظهر النتائج التفصيلية أن B2O يقلل من الوقت المستهلك في التجارب البيولوجية ويتفوق على الأساليب الحالية عبر مجموعات البيانات والأنواع المختلفة عبر مقاييس متعددة. بالإضافة إلى ذلك، تعد أساليب التعلم العميق مثل شبكات CNN ثنائية الأبعاد أكثر واعدة في تعلم سمات BERT من طرق التعلم الآلي التقليدية. يمكن العثور على التعليمات البرمجية ومجموعات البيانات الخاصة بنا على .

DOI 10.1109/TCBB.2023.3237769

Cilt 20