使用语义搜索来找到公开可用的基因表达数据集
Grace S Brown1, James Wengler1,2, Aaron Joyce S Fabelico1
1Department of Biology, Brigham Young University, Provo, Utah, USA.
bioRxiv : the preprint server for biology
|March 31, 2025
概括
语言模型可以通过将描述总结成嵌入式来增强相关科学数据集的发现. 这种方法有助于研究人员找到类似的数据进行重复使用和验证,改进现有的搜索方法.
科学领域:
- 生物信息学是一种生物信息学.
- 计算生物学 计算生物学
- 数据科学数据科学数据科学
背景情况:
- 大量的高通量分子数据集在诸如基因表达集 (GEO) 这样的存储库中公开可用.
- 重复使用这些数据集对于验证发现和探索新的研究问题至关重要.
- 发现相关数据集是具有挑战性的,因为大量的数据,不一致的描述,缺乏语义注释,阻碍了 FAIR 数据原则.
研究的目的:
- 评估语言模型在改进基因表达大巴 (GEO) 中数据集发现方面的有效性.
- 评估语言模型生成的嵌入是否可以比传统搜索方法更有效地识别相关数据集.
主要方法:
- 利用30种语言模型,生成来自GEO的数据集描述的数值表示 (嵌入式).
- 专注于六种人类医疗状况,使用以前由人类策划的数据集.
- 将基于语言模型的相似性搜索与 GEO 内置搜索引擎的性能进行了比较.
主要成果:
- 语言模型,特别是那些在使用大嵌入式对比学习进行一般 corpora 训练的模型,在识别相关数据集时经常超过 GEO 的搜索引擎.
- 效率各不相同,表明这种方法是有希望的,但不是普遍优越的.
- 确定了与数据集发现更好的性能相关的特定模型特征.
结论:
- 语言模型显示了改善科学数据集的发现的巨大潜力,补充了现有的搜索工具.
- 这种方法可以帮助研究人员有效地找到和重复使用有价值的分子数据.
- 进一步开发和整合语言模型可以简化数据发现,提高科学可重复性.
相关概念视频
02:34DNA Microarrays
17.1K
Microarrays are high-throughput and relatively inexpensive assays that can be automated to analyze large quantities of data at a time. They are used in genome-wide studies to compare gene or protein expression under two varied conditions, such as healthy and diseased states. Microarrays consist of glass or silica slides on which probe molecules are covalently attached through surface functionalization. Most commonly, the slides are prepared through the chemisorption of silanes to silica...
17.1K
02:11Reporter Genes
11.1K
Reporter genes are a type of protein-coding gene that are often tagged to a gene of interest. Once inside a target cell, reporter genes usually produce visually identifiable characteristics like fluorescence and luminescence when expressed along with the gene of interest. Thus, reporter genes “report” the presence or absence of genes of interest in an organism, determine the gene expression pattern, or track the physical location of a DNA segment or protein in the cell.
11.1K
01:58Cell Specific Gene Expression
4.5K
4.5K