論文の概要: Inferring Signaling Pathways with Probabilistic Programming

• arxiv url: http://arxiv.org/abs/2005.14062v2
• Date: Fri, 17 Jul 2020 22:15:36 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-27 04:52:54.694551
• Title: Inferring Signaling Pathways with Probabilistic Programming
• Title（参考訳）: 確率的プログラミングによる信号経路の推定
• Authors: David Merrell, Anthony Gitter
• Abstract要約: 我々はGen確率型プログラミング言語を用いてJuliaでスパース信号経路サンプリング(Sparse Signaling Pathway Smpling)という手法を実装した。 我々は,シミュレーションデータとHPN-DREAM経路再構成問題に基づくアルゴリズムの評価を行った。 本研究は,生物ネットワーク推論における確率的プログラミング,特にGenの可能性を示すものである。
• 参考スコア（独自算出の注目度）: 1.8275108630751837
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cells regulate themselves via dizzyingly complex biochemical processes called signaling pathways. These are usually depicted as a network, where nodes represent proteins and edges indicate their influence on each other. In order to understand diseases and therapies at the cellular level, it is crucial to have an accurate understanding of the signaling pathways at work. Since signaling pathways can be modified by disease, the ability to infer signaling pathways from condition- or patient-specific data is highly valuable. A variety of techniques exist for inferring signaling pathways. We build on past works that formulate signaling pathway inference as a Dynamic Bayesian Network structure estimation problem on phosphoproteomic time course data. We take a Bayesian approach, using Markov Chain Monte Carlo to estimate a posterior distribution over possible Dynamic Bayesian Network structures. Our primary contributions are (i) a novel proposal distribution that efficiently samples sparse graphs and (ii) the relaxation of common restrictive modeling assumptions. We implement our method, named Sparse Signaling Pathway Sampling, in Julia using the Gen probabilistic programming language. Probabilistic programming is a powerful methodology for building statistical models. The resulting code is modular, extensible, and legible. The Gen language, in particular, allows us to customize our inference procedure for biological graphs and ensure efficient sampling. We evaluate our algorithm on simulated data and the HPN-DREAM pathway reconstruction challenge, comparing our performance against a variety of baseline methods. Our results demonstrate the vast potential for probabilistic programming, and Gen specifically, for biological network inference. Find the full codebase at https://github.com/gitter-lab/ssps
• Abstract（参考訳）: 細胞はシグナル伝達経路と呼ばれる複雑な生化学的プロセスを通じて自己を調節する。 これらは通常ネットワークとして描かれ、ノードはタンパク質を表し、エッジは互いに影響を示す。 細胞レベルでの疾患や治療法を理解するためには、作業中のシグナル伝達経路を正確に理解することが不可欠である。 シグナル伝達経路は病気によって改変できるため、状態や患者固有のデータからシグナル伝達経路を推測する能力は非常に貴重である。 シグナル伝達経路を推測するための様々な技術が存在する。 我々は,フォスフォロピオミクス時間経過データに基づく動的ベイズネットワーク構造推定問題としてシグナル伝達経路推定を定式化した過去の研究に基づいて構築する。 我々は,マルコフ連鎖モンテカルロを用いて動的ベイズネットワーク構造上の後方分布を推定するベイズ的手法を提案する。 私たちの主な貢献は (i)スパースグラフを効率的にサンプリングする新しい提案分布 (ii)共通の制約的モデリングの仮定の緩和。 本手法は,gen probabilistic language を用いて sparse signaling pathway sampling という手法をjulia に実装した。 確率的プログラミングは統計モデルを構築するための強力な方法論である。 生成されたコードはモジュール化され、拡張可能で、レグレッシブです。 特にgen言語は、生物学的グラフの推論手順をカスタマイズし、効率的なサンプリングを可能にします。 シミュレーションデータとhpn-dream pathway reconstruction challengeのアルゴリズムを評価し,様々なベースライン法との比較を行った。 本研究は,生物ネットワーク推論における確率的プログラミングの可能性を示すものである。 完全なコードベースはhttps://github.com/gitter-lab/sspsにある。

関連論文リスト

• Learning to solve Bayesian inverse problems: An amortized variational inference approach using Gaussian and Flow guides [0.0]
  本研究では,ベイズ逆写像,すなわちデータから後部への写像を学習することで,リアルタイムな推論を可能にする手法を開発する。 我々のアプローチは、ニューラルネットワークの前方通過のコストで、所定の観測のための後部分布を提供する。
  論文  参考訳（メタデータ） (2023-05-31T16:25:07Z)
• DynGFN: Towards Bayesian Inference of Gene Regulatory Networks with GFlowNets [81.75973217676986]
  遺伝子調節ネットワーク(GRN)は、遺伝子発現と細胞機能を制御する遺伝子とその産物間の相互作用を記述する。 既存の方法は、チャレンジ(1)、ダイナミックスから循環構造を識別すること、あるいはチャレンジ(2)、DAGよりも複雑なベイズ後部を学習することに焦点を当てるが、両方ではない。 本稿では、RNAベロシティ技術を用いて遺伝子発現の「速度」を推定できるという事実を活用し、両方の課題に対処するアプローチを開発する。
  論文  参考訳（メタデータ） (2023-02-08T16:36:40Z)
• Inferring probabilistic Boolean networks from steady-state gene data samples [0.6882042556551611]
  そこで本研究では,PBNが定常状態にある場合の実際の遺伝子発現データから,PBNを直接推定する手法を提案する。 提案手法は,ネットワークの状態変化の再構築には依存しない。 転移性メラノーマにおける遺伝子プロファイリングデータのサンプルについて,よく知られた研究から,本手法を実証する。
  論文  参考訳（メタデータ） (2022-11-11T00:39:00Z)
• Diffusion Models for Causal Discovery via Topological Ordering [20.875222263955045]
  emphTopological ordering approachは、グラフ空間ではなく置換を探索することによって因果発見の最適化空間を減少させる。 ANMsの場合、データログのようなemphHessianは、葉ノードを因果グラフで見つけるのに使用することができ、トポロジ的順序付けを可能にする。 ニューラルネットワークを再トレーニングすることなく、学習したヘッセンを更新する理論を導入し、サンプルのサブセットによる計算が注文の正確な近似を与えることを示す。
  論文  参考訳（メタデータ） (2022-10-12T13:36:29Z)
• Pretraining Graph Neural Networks for few-shot Analog Circuit Modeling and Design [68.1682448368636]
  本稿では、新しい未知のトポロジや未知の予測タスクに適応可能な回路表現を学習するための教師付き事前学習手法を提案する。 異なる回路の変動位相構造に対処するため、各回路をグラフとして記述し、グラフニューラルネットワーク(GNN)を用いてノード埋め込みを学習する。 出力ノード電圧の予測における事前学習GNNは、新しい未知のトポロジや新しい回路レベル特性の予測に適応可能な学習表現を促進することができることを示す。
  論文  参考訳（メタデータ） (2022-03-29T21:18:47Z)
• Probabilistic Numeric Convolutional Neural Networks [80.42120128330411]
  画像や時系列などの連続的な入力信号は、不規則にサンプリングされたり、値が欠けていたりすることは、既存のディープラーニング手法では困難である。 ガウス過程(GP)として特徴を表す確率的畳み込みニューラルネットワークを提案する。 次に、畳み込み層を、このGP上で定義されたPDEの進化として定義し、次いで非線形性とする。 実験では,SuperPixel-MNISTデータセットの先行技術と医療時間2012データセットの競合性能から,提案手法の誤差を3倍に削減できることが示されている。
  論文  参考訳（メタデータ） (2020-10-21T10:08:21Z)
• Activation Relaxation: A Local Dynamical Approximation to Backpropagation in the Brain [62.997667081978825]
  活性化緩和(AR)は、バックプロパゲーション勾配を力学系の平衡点として構成することで動機付けられる。 我々のアルゴリズムは、正しいバックプロパゲーション勾配に迅速かつ堅牢に収束し、単一のタイプの計算単位しか必要とせず、任意の計算グラフで操作できる。
  論文  参考訳（メタデータ） (2020-09-11T11:56:34Z)
• Coverage probability in wireless networks with determinantal scheduling [1.4502611532302039]
  ネットワーク送信をランダムにスケジューリングするアルゴリズムを新たに提案する。 アロハと同様に、それらはカバー確率と送信の試みのエレガントな分析の対象であることを示す。
  論文  参考訳（メタデータ） (2020-06-09T04:05:50Z)
• Learned Factor Graphs for Inference from Stationary Time Sequences [107.63351413549992]
  定常時間列のためのモデルベースアルゴリズムとデータ駆動型MLツールを組み合わせたフレームワークを提案する。 ニューラルネットワークは、時系列の分布を記述する因子グラフの特定のコンポーネントを別々に学習するために開発された。 本稿では,学習された定常因子グラフに基づく推論アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-06-05T07:06:19Z)
• Neural Enhanced Belief Propagation on Factor Graphs [85.61562052281688]
  グラフィカルモデルは局所依存確率変数の構造的表現である。 最初にグラフニューラルネットワークを拡張してグラフを分解する(FG-GNN)。 そこで我々は,FG-GNNを連立して動作させるハイブリッドモデルを提案する。
  論文  参考訳（メタデータ） (2020-03-04T11:03:07Z)

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。