在OSCC中NR3C1表达模式的基于变压器的分类和解释性:代谢适应洞察力
Monal Yuwanati1, Pradeep Kumar Yadalam2, Senthilmurugan Mullainathan3
1Department of Oral and Maxillofacial Pathology, Saveetha Dental College and Hospitals, Saveetha Institute of Medical and Technical Sciences, Saveetha University, Chennai, 600077, India.
变压器模型,特别是RoBERTa,比传统方法显著提高了NR3C1蛋白序列分类的准确性. 这些先进的模型在计算生物学任务中提供了卓越的性能.
科学领域:
- 计算生物学 计算生物学
- 生物信息学是一种生物信息学.
- 基因组学就是基因组学.
背景情况:
- 口腔状细胞癌 (OSCC) 的存活率取决于致癌蛋白质.
- 由于复杂的关系,对蛋白质序列进行分类是具有挑战性的.
- 变压器语言模型显示出对生物序列分析的希望.
研究的目的:
- 为了评估NR3C1序列分类的变压器模型.
- 将变压器性能与深度学习和传统机器学习方法进行比较.
主要方法:
- 评估了四种变压器模型 (BERT,RoBERTa,DistilBERT,ALBERT) 的情况.
- 模型在UniProt序列 (200-500aa和>500aa) 上进行训练.
- 序列被令牌化,填充/截断为512个令牌,并将数据分为训练/验证.
主要成果:
- 罗伯塔获得了最高的F1得分 (0.8574),超过了深度学习 (0.763) 和传统方法 (0.693).
- 阿尔伯特显示了与罗伯塔相似的性能,但参数显著减少.
- 变压器模型表现出卓越的精度和效率.
结论:
- 变压器模型,特别是RoBERTa,对于NR3C1蛋白序列分类非常有效.
- 这些模型在准确性和效率方面超过了传统方法.
- 变压器技术的进步提高了计算生物学能力.
更多相关视频
11:12Optimization of a Multiplex RNA-based Expression Assay Using Breast Cancer Archival Material
Published on: August 1, 2018
06:51Utilizing 18F-FDG PET/CT Imaging and Quantitative Histology to Measure Dynamic Changes in the Glucose Metabolism in Mouse Models of Lung Cancer
Published on: July 21, 2018
相关概念视频
Nuclear Localization Signals and Import
Transducer Mechanism: Nuclear Receptors
About 48 different soluble family members of nuclear receptors are identified that can be divided into two main classes:
Transduction
Microbial Biosensors
