論文の概要: Machine Learning and Deep Learning methods for predictive modelling from Raman spectra in bioprocessing

• arxiv url: http://arxiv.org/abs/2005.02935v1
• Date: Wed, 6 May 2020 16:15:08 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-06 06:28:06.392651
• Title: Machine Learning and Deep Learning methods for predictive modelling from Raman spectra in bioprocessing
• Title（参考訳）: バイオプロセッシングにおけるラーマンスペクトルからの予測モデリングのための機械学習とディープラーニング手法
• Authors: Semion Rozov
• Abstract要約: 本研究は,機械学習と深層学習を用いた回帰作業の円滑化のためのラマンスペクトルの前処理手法に焦点を当てた。 ほとんどの場合、このロバスト性は予測誤差と予測ロバスト性の観点から従来のラマンモデルより優れていた。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In chemical processing and bioprocessing, conventional online sensors are limited to measure only basic process variables like pressure and temperature, pH, dissolved O and CO$_2$ and viable cell density (VCD). The concentration of other chemical species is more difficult to measure, as it usually requires an at-line or off-line approach. Such approaches are invasive and slow compared to on-line sensing. It is known that different molecules can be distinguished by their interaction with monochromatic light, producing different profiles for the resulting Raman spectrum, depending on the concentration. Given the availability of reference measurements for the target variable, regression methods can be used to model the relationship between the profile of the Raman spectra and the concentration of the analyte. This work focused on pretreatment methods of Raman spectra for the facilitation of the regression task using Machine Learning and Deep Learning methods, as well as the development of new regression models based on these methods. In the majority of cases, this allowed to outperform conventional Raman models in terms of prediction error and prediction robustness.
• Abstract（参考訳）: 化学処理やバイオプロセッシングでは、従来のオンラインセンサーは圧力や温度、ph、溶解o、co$_2$、細胞密度(vcd)などの基本的なプロセス変数のみを測定することが制限されている。 他の化学種の濃度測定は、通常はオフラインまたはオフラインのアプローチを必要とするため、より難しい。 このようなアプローチはオンラインセンシングに比べて侵襲的で遅い。 異なる分子は単色光との相互作用によって区別され、濃度に応じてラマンスペクトルの異なるプロファイルを生成することが知られている。 対象変数に対する基準測定の可用性を考えると、回帰法はラマンスペクトルのプロファイルと分析物の濃度の関係をモデル化することができる。 本研究は,機械学習と深層学習を用いた回帰作業の円滑化のためのラマンスペクトルの前処理手法と,これらの手法に基づく新しい回帰モデルの開発に焦点を当てた。 ほとんどのケースでは、予測誤差と予測ロバスト性の観点から従来のラマンモデルより優れていた。

関連論文リスト

• Stacked ensemble\-based mutagenicity prediction model using multiple modalities with graph attention network [0.9736758288065405]
  変異原性は、様々なネガティブな結果をもたらす遺伝子変異と関連しているため、懸念される。 本研究では,新しいアンサンブルに基づく変異原性予測モデルを提案する。
  論文  参考訳（メタデータ） (2024-09-03T09:14:21Z)
• Understanding Reinforcement Learning-Based Fine-Tuning of Diffusion Models: A Tutorial and Review [63.31328039424469]
  このチュートリアルは、下流の報酬関数を最適化するための微調整拡散モデルのための方法を網羅的に調査する。 PPO,微分可能最適化,報酬重み付きMLE,値重み付きサンプリング,経路整合性学習など,様々なRLアルゴリズムの適用について説明する。
  論文  参考訳（メタデータ） (2024-07-18T17:35:32Z)
• Model-Based Reparameterization Policy Gradient Methods: Theory and Practical Algorithms [88.74308282658133]
  Reization (RP) Policy Gradient Methods (PGM) は、ロボット工学やコンピュータグラフィックスにおける連続的な制御タスクに広く採用されている。 近年の研究では、長期強化学習問題に適用した場合、モデルベースRP PGMはカオス的かつ非滑らかな最適化環境を経験する可能性があることが示されている。 本稿では,長期モデルアンロールによる爆発的分散問題を緩和するスペクトル正規化法を提案する。
  論文  参考訳（メタデータ） (2023-10-30T18:43:21Z)
• Machine Learning Small Molecule Properties in Drug Discovery [44.62264781248437]
  我々は, 結合親和性, 溶解性, ADMET (吸収, 分布, 代謝, 排出, 毒性) を含む幅広い特性について検討する。 化学指紋やグラフベースニューラルネットワークなど,既存の一般的な記述子や埋め込みについて論じる。 最後に、モデル予測の理解を提供する技術、特に薬物発見における重要な意思決定について評価する。
  論文  参考訳（メタデータ） (2023-08-02T22:18:41Z)
• Comparing Spectroscopy Measurements in the Prediction of in Vitro Dissolution Profile using Artificial Neural Networks [0.0]
  溶解試験は、医薬品産業における新製品の承認に欠かせない製品品質の一部である。 分光データに基づく溶解プロファイルの予測は、現在の破壊・時間的手法に代わるものである。 ラマンと近赤外分光法(英: Raman and near-infrared spectroscopies)は、錠剤の物理的および化学的特性に関する情報を提供する2つの高速で相補的な方法である。
  論文  参考訳（メタデータ） (2022-10-19T04:34:04Z)
• Prediction of liquid fuel properties using machine learning models with Gaussian processes and probabilistic conditional generative learning [56.67751936864119]
  本研究の目的は、代替燃料の物理的特性を予測するためのクロージャ方程式として機能する、安価で計算可能な機械学習モデルを構築することである。 これらのモデルは、MDシミュレーションのデータベースや、データ融合-忠実性アプローチによる実験的な測定を用いて訓練することができる。 その結果,MLモデルでは,広範囲の圧力および温度条件の燃料特性を正確に予測できることがわかった。
  論文  参考訳（メタデータ） (2021-10-18T14:43:50Z)
• Integrating Expert ODEs into Neural ODEs: Pharmacology and Disease Progression [71.7560927415706]
  潜在ハイブリッドモデル(LHM)は、専門家が設計したODEのシステムと機械学習したNeural ODEを統合し、システムのダイナミクスを完全に記述する。 新型コロナウイルス患者のLHMと実世界の集中治療データについて検討した。
  論文  参考訳（メタデータ） (2021-06-05T11:42:45Z)
• Extracting Chemical-Protein Interactions via Calibrated Deep Neural Network and Self-training [0.8376091455761261]
  データ不確実性を推定し、信頼性を向上させるため、ディープラーニングモデルに"校正"技術が適用されている。 本研究では, 化学物質-タンパク質相互作用を抽出するために, 不確実性情報とキャリブレーション手法を取り入れたDNNベースの手法を提案する。 我々の手法は,従来の手法よりも高い校正能力を維持しつつ,Biocreative VI ChemProtタスクに関して最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2020-11-04T10:14:31Z)
• Convolutional neural networks for classification and regression analysis of one-dimensional spectral data [0.0]
  畳み込みニューラルネットワーク(CNN)は画像認識やテキスト解析に広く利用されている。 CNNの性能をスペクトルデータの分類と回帰分析のために検討した。
  論文  参考訳（メタデータ） (2020-05-15T13:20:05Z)
• A Systematic Approach to Featurization for Cancer Drug Sensitivity Predictions with Deep Learning [49.86828302591469]
  35,000以上のニューラルネットワークモデルをトレーニングし、一般的な成果化技術を駆使しています。 RNA-seqは128以上のサブセットであっても非常に冗長で情報的であることがわかった。
  論文  参考訳（メタデータ） (2020-04-30T20:42:17Z)
• Regularizing Class-wise Predictions via Self-knowledge Distillation [80.76254453115766]
  類似サンプル間の予測分布を解析する新しい正規化法を提案する。 これにより、単一のネットワークの暗黒知識(すなわち誤った予測に関する知識)を規則化する。 画像分類タスクにおける実験結果から, 単純だが強力な手法が一般化能力を大幅に向上することを示した。
  論文  参考訳（メタデータ） (2020-03-31T06:03:51Z)

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。