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

• Causal Representation Learning from Multimodal Biological Observations [57.00712157758845]
  我々は,マルチモーダルデータに対するフレキシブルな識別条件の開発を目指している。 我々は、各潜伏成分の識別可能性を保証するとともに、サブスペース識別結果を事前の作業から拡張する。 我々の重要な理論的要素は、異なるモーダル間の因果関係の構造的空間性である。
  論文  参考訳（メタデータ） (2024-11-10T16:40:27Z)
• Interpreting artificial neural networks to detect genome-wide association signals for complex traits [0.0]
  複雑な疾患の遺伝的アーキテクチャを調べることは、遺伝的および環境要因の高度にポリジェニックでインタラクティブな景観のために困難である。 我々は、シミュレーションと実際のジェノタイプ/フェノタイプデータセットの両方を用いて、複雑な特性を予測するために、人工ニューラルネットワークを訓練した。
  論文  参考訳（メタデータ） (2024-07-26T15:20:42Z)
• Variational and Explanatory Neural Networks for Encoding Cancer Profiles and Predicting Drug Responses [40.80133767939435]
  既存のAIモデルは、転写学データのノイズと生物学的解釈性の欠如により、課題に直面している。 ノイズ効果を軽減するために変動成分を組み込んだ新しいニューラルネットワークフレームワークVETEを紹介する。 VETEは、AIによる予測と、がん研究における生物学的に意味のある洞察のギャップを埋める。
  論文  参考訳（メタデータ） (2024-07-05T13:13:02Z)
• VQDNA: Unleashing the Power of Vector Quantization for Multi-Species Genomic Sequence Modeling [60.91599380893732]
  VQDNAは、ゲノムボキャブラリ学習の観点からゲノムのトークン化を改良する汎用フレームワークである。 ベクトル量子化されたコードブックを学習可能な語彙として活用することにより、VQDNAはゲノムをパターン認識の埋め込みに適応的にトークン化することができる。
  論文  参考訳（メタデータ） (2024-05-13T20:15:03Z)
• Pruning neural network models for gene regulatory dynamics using data and domain knowledge [24.670514977455202]
  本稿では,モデルフィッティングにおけるドメイン固有構造情報を用いてネットワークプルーニングをガイドするフレームワークであるDASHを提案する。 DASHは、遺伝子相互作用パートナーに関する知識を用いて、一般的な刈り取り法よりも大きなマージンで優れていることを示す。
  論文  参考訳（メタデータ） (2024-03-05T23:02:55Z)
• 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)
• 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)
• 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)
• Contrastive-Signal-Dependent Plasticity: Self-Supervised Learning in Spiking Neural Circuits [61.94533459151743]
  この研究は、スパイキングネットワークのシナプスを調整するための神経生物学的に動機づけられたスキームを設計することの課題に対処する。 我々の実験シミュレーションは、繰り返しスパイクネットワークを訓練する際、他の生物学的に証明可能なアプローチに対して一貫した優位性を示す。
  論文  参考訳（メタデータ） (2023-03-30T02:40:28Z)
• 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)

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。