論文の概要: Biophysical models of cis-regulation as interpretable neural networks
- arxiv url: http://arxiv.org/abs/2001.03560v2
- Date: Fri, 7 Feb 2020 22:07:08 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-17 02:33:38.151227
- Title: Biophysical models of cis-regulation as interpretable neural networks
- Title(参考訳): 解釈型ニューラルネットワークとしてのシス制御の生物物理モデル
- Authors: Ammar Tareen, Justin B. Kinney
- Abstract要約: 本研究は, サイス調節機構の2種類の生体物理モデルが, ノードと重みが明確な物理化学的解釈を持つディープニューラルネットワークとして表現可能であることを示す。
また、現代のディープラーニングフレームワークを用いて、このような生物物理学的ネットワークを迅速に推定する方法を実証する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: The adoption of deep learning techniques in genomics has been hindered by the
difficulty of mechanistically interpreting the models that these techniques
produce. In recent years, a variety of post-hoc attribution methods have been
proposed for addressing this neural network interpretability problem in the
context of gene regulation. Here we describe a complementary way of approaching
this problem. Our strategy is based on the observation that two large classes
of biophysical models of cis-regulatory mechanisms can be expressed as deep
neural networks in which nodes and weights have explicit physiochemical
interpretations. We also demonstrate how such biophysical networks can be
rapidly inferred, using modern deep learning frameworks, from the data produced
by certain types of massively parallel reporter assays (MPRAs). These results
suggest a scalable strategy for using MPRAs to systematically characterize the
biophysical basis of gene regulation in a wide range of biological contexts.
They also highlight gene regulation as a promising venue for the development of
scientifically interpretable approaches to deep learning.
- Abstract(参考訳): ゲノム学におけるディープラーニング技術の採用は、これらの技術が生み出すモデルを機械的に解釈することの難しさによって妨げられている。
近年、遺伝子制御の文脈において、このニューラルネットワークの解釈可能性問題に対処するために、様々なポストホック帰属法が提案されている。
本稿では,この問題に対する補完的なアプローチについて述べる。
我々の戦略は、シス調節機構の2種類の生物物理モデルが、ノードと重みが明確な物理化学的解釈を持つディープニューラルネットワークとして表現できるという観察に基づいている。
また,ある種の超並列レポーターアッセイ(MPRA)によって生成されたデータから,現代のディープラーニングフレームワークを用いて,このような生体物理ネットワークを迅速に推定する方法を実証した。
これらの結果から,mpraを用いて遺伝子制御の生物物理学的基盤を多種多様な生物学的文脈で体系的に特徴付けるスケーラブルな戦略が示唆された。
彼らはまた、深層学習への科学的解釈可能なアプローチを開発するための有望な場所として遺伝子規制を強調している。
関連論文リスト
- Neural Echos: Depthwise Convolutional Filters Replicate Biological
Receptive Fields [56.69755544814834]
哺乳類網膜で観察される生体受容野を,深部核が効果的に複製していることを示す証拠を提示する。
生体受容の分野からインスピレーションを得る手法を提案する。
論文 参考訳(メタデータ) (2024-01-18T18:06:22Z) - Probing Biological and Artificial Neural Networks with Task-dependent
Neural Manifolds [12.037840490243603]
本稿では,ニューラルネットワークの内部機構について,ニューラル集団幾何学のレンズを用いて検討する。
学習目的の違いが,これらのモデルの組織戦略の違いにどのように影響するかを定量的に評価する。
これらの分析は、ニューラルネットワークにおける機械的および規範的理論を神経集団幾何学を通してブリッジする強力な方向を示す。
論文 参考訳(メタデータ) (2023-12-21T20:40:51Z) - Improving Biomedical Entity Linking with Retrieval-enhanced Learning [53.24726622142558]
$k$NN-BioELは、トレーニングコーパス全体から同様のインスタンスを予測のヒントとして参照する機能を備えたBioELモデルを提供する。
k$NN-BioELは、いくつかのデータセットで最先端のベースラインを上回ります。
論文 参考訳(メタデータ) (2023-12-15T14:04:23Z) - Causal machine learning for single-cell genomics [94.28105176231739]
単細胞ゲノミクスへの機械学習技術の応用とその課題について論じる。
まず, 単一細胞生物学における現在の因果的アプローチの基盤となるモデルについて述べる。
次に、単一セルデータへの因果的アプローチの適用におけるオープンな問題を特定する。
論文 参考訳(メタデータ) (2023-10-23T13:35:24Z) - Interpretable neural architecture search and transfer learning for
understanding CRISPR/Cas9 off-target enzymatic reactions [3.5994174958472307]
Elektrumは、生化学系の力学を決定するためのディープラーニングフレームワークである。
KINNは中間層として深い畳み込みニューラルネットワークに挿入される。
我々はEektrumを用いてCRISPR-Cas9のオフターゲット編集確率を予測し、最先端のパフォーマンスを実現することを実証する。
論文 参考訳(メタデータ) (2023-05-18T23:49:42Z) - Biological Factor Regulatory Neural Network [22.561838105271853]
BFReg-NN(Bological Factor Regulatory Neural Network)は、細胞系の生物学的因子間の関係をモデル化するための一般的なフレームワークである。
BFReg-NNは遺伝子発現データから始まり、既存のほとんどの生物学的知識をモデルにマージすることができる。
今回のケーススタディでは,BFReg-NNが発見した重要な知見が生物学的文献と一致していることが示されている。
論文 参考訳(メタデータ) (2023-04-11T04:57:02Z) - Deep Learning Generates Synthetic Cancer Histology for Explainability
and Education [37.13457398561086]
条件付き生成逆数ネットワーク(英: Conditional Generative Adversarial Network、cGAN)は、合成画像を生成するAIモデルである。
本稿では,cGANを用いた分子サブタイプ腫瘍の分類訓練モデルについて述べる。
腫瘍の病理組織学的所見に対するヒトの理解を増強し, 向上させることが, 明確で直感的なcGANの可視化に有効であることを示す。
論文 参考訳(メタデータ) (2022-11-12T00:14:57Z) - Interpretability of Neural Network With Physiological Mechanisms [5.1971653175509145]
ディープラーニングは、レグレッションと分類タスクの様々な領域で異常な精度を達成した強力な最先端技術として、引き続き機能している。
ニューラルネットワークモデルを最初に提案する目的は、数学的表現アプローチを使用して複雑な人間の脳を理解することを改善することである。
近年のディープラーニング技術は、ブラックボックス近似器として扱われることによって、機能的プロセスの解釈を失う傾向にある。
論文 参考訳(メタデータ) (2022-03-24T21:40:04Z) - EINNs: Epidemiologically-Informed Neural Networks [75.34199997857341]
本稿では,疫病予測のための新しい物理インフォームドニューラルネットワークEINNを紹介する。
メカニスティックモデルによって提供される理論的柔軟性と、AIモデルによって提供されるデータ駆動表現性の両方を活用する方法について検討する。
論文 参考訳(メタデータ) (2022-02-21T18:59:03Z) - Machine Learning in Nano-Scale Biomedical Engineering [77.75587007080894]
ナノスケールバイオメディカルエンジニアリングにおける機械学習の利用に関する既存の研究について概説する。
ML問題として定式化できる主な課題は、3つの主要なカテゴリに分類される。
提示された方法論のそれぞれについて、その原則、応用、制限に特に重点を置いている。
論文 参考訳(メタデータ) (2020-08-05T15:45:54Z) - A Chain Graph Interpretation of Real-World Neural Networks [58.78692706974121]
本稿では,NNを連鎖グラフ(CG)、フィードフォワードを近似推論手法として識別する別の解釈を提案する。
CG解釈は、確率的グラフィカルモデルのリッチな理論的枠組みの中で、各NNコンポーネントの性質を規定する。
我々は,CG解釈が様々なNN技術に対する新しい理論的支援と洞察を提供することを示す具体例を実例で示す。
論文 参考訳(メタデータ) (2020-06-30T14:46:08Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。