論文の概要: Extracting Cellular Location of Human Proteins Using Deep Learning
- arxiv url: http://arxiv.org/abs/2006.03800v1
- Date: Sat, 6 Jun 2020 07:15:11 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-24 21:40:52.969582
- Title: Extracting Cellular Location of Human Proteins Using Deep Learning
- Title（参考訳）: 深層学習によるヒトタンパク質の細胞位置の抽出
- Authors: Hanke Chen
- Abstract要約: このモデルでは、毎分4500枚の画像を63.07%の精度で分類することができ、人間のパフォーマンス(35%)とスピードを上回ります。
ヒトのタンパク質の位置情報から、医師は細胞の異常な挙動を容易に検出できる。
- 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: Understanding and extracting the patterns of microscopy images has been a
major challenge in the biomedical field. Although trained scientists can locate
the proteins of interest within a human cell, this procedure is not efficient
and accurate enough to process a large amount of data and it often leads to
bias. To resolve this problem, we attempted to create an automatic image
classifier using Machine Learning to locate human proteins with higher speed
and accuracy than human beings. We implemented a Convolution Neural Network
with Residue and Squeeze-Excitation layers classifier to locate given proteins
of any type in a subcellular structure. After training the model using a series
of techniques, it can locate thousands of proteins in 27 different human cell
types into 28 subcellular locations, way significant than historical
approaches. The model can classify 4,500 images per minute with an accuracy of
63.07%, surpassing human performance in accuracy (by 35%) and speed. Because
our system can be implemented on different cell types, it opens a new vision of
understanding in the biomedical field. From the locational information of the
human proteins, doctors can easily detect cell's abnormal behaviors including
viral infection, pathogen invasion, and malignant tumor development. Given the
amount of data generalized by experiments are greater than that human can
analyze, the model cut down the human resources and time needed to analyze
data. Moreover, this locational information can be used in different scenarios
like subcellular engineering, medical care, and etiology inspection.
- Abstract（参考訳）: 顕微鏡画像のパターンの理解と抽出は,生物医学の分野で大きな課題となっている。
訓練された科学者はヒトの細胞の中で興味を持つタンパク質を見つけることができるが、この手法は大量のデータを処理できるほど効率的で正確ではない。
この問題を解決するために,機械学習を用いて,人間よりも高速で精度の高いヒトタンパク質を探索する自動画像分類器の開発を試みた。
我々はResidueおよびSqueeze-Excitation層を用いた畳み込みニューラルネットワークを実装し,細胞内構造中の任意のタイプのタンパク質を同定した。
一連のテクニックを使ってモデルをトレーニングした後、27種類のヒト細胞タイプに何千ものタンパク質を28のサブセルに配置する。
このモデルでは、毎分4500枚の画像を63.07%の精度で分類することができ、人間のパフォーマンス(35%)とスピードを上回ります。
我々のシステムは異なる細胞タイプで実装できるため、バイオメディカル分野における理解の新たなビジョンが開ける。
ヒトのタンパク質の位置情報から、医師はウイルス感染、病原体侵入、悪性腫瘍の発生を含む細胞の異常な挙動を容易に検出することができる。
実験によって一般化されたデータの量は、人間が分析できるデータよりも大きいので、分析に必要な人的資源と時間を削減できる。
さらに、この位置情報は、細胞内工学、医療、エチオロジー検査といった様々なシナリオで利用することができる。
関連論文リスト
- IDCIA: Immunocytochemistry Dataset for Cellular Image Analysis [0.5057850174013127]
そこで我々は,細胞画像解析のための機械学習手法の有効性を向上させるために,新しい注釈付き微視的セル画像データセットを提案する。
我々のデータセットには、細胞の顕微鏡像と、各画像、細胞数、細胞の位置が含まれています。
論文 参考訳（メタデータ） (2024-11-13T19:33:08Z) - Single-Cell Deep Clustering Method Assisted by Exogenous Gene
Information: A Novel Approach to Identifying Cell Types [50.55583697209676]
我々は,細胞間のトポロジ的特徴を効率的に捉えるために,注目度の高いグラフオートエンコーダを開発した。
クラスタリング過程において,両情報の集合を統合し,細胞と遺伝子の特徴を再構成し,識別的表現を生成する。
本研究は、細胞の特徴と分布に関する知見を高め、疾患の早期診断と治療の基礎となる。
論文 参考訳（メタデータ） (2023-11-28T09:14:55Z) - 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) - Machine Learning for Flow Cytometry Data Analysis [0.0]
フローサイトメーターは、同時に数万の細胞を迅速に分析し、同時に単一の細胞から複数のパラメータを測定できる。
何百万もの細胞から収集された多次元データの中で、興味深い細胞集団を手動で識別できる必要がある。
3つの代表的な自動クラスタリングアルゴリズムが選択され、完全にかつ部分的に自動ゲーティングによって適用され、比較され、評価される。
論文 参考訳（メタデータ） (2023-03-16T00:43:46Z) - Semi-Automatic Labeling and Semantic Segmentation of Gram-Stained
Microscopic Images from DIBaS Dataset [2.0225826789157404]
深層学習モデルは、細菌種のセグメンテーションと分類を達成するために訓練される。
ディープラーニングモデルは、バイオメディカル画像処理に多大な応用を見出す。
論文 参考訳（メタデータ） (2022-08-23T05:18:19Z) - Learning multi-scale functional representations of proteins from
single-cell microscopy data [77.34726150561087]
局所化分類に基づいて訓練された単純な畳み込みネットワークは、多様な機能情報をカプセル化したタンパク質表現を学習できることを示す。
また,生物機能の異なるスケールでタンパク質表現の質を評価するためのロバストな評価戦略を提案する。
論文 参考訳（メタデータ） (2022-05-24T00:00:07Z) - Automated Human Cell Classification in Sparse Datasets using Few-Shot
Learning [10.345121663534313]
本研究は, 数発の学習技術を用いて, 正確な訓練のためのデータ要求を軽減することの実現可能性について検討する。
その結果、医学的でないデータセットから医学的データセットに移行する際に、総合的に最先端技術のテスト精度が少なくとも30%低下したことが示唆された。
論文 参考訳（メタデータ） (2021-07-27T22:26:08Z) - Cell abundance aware deep learning for cell detection on highly
imbalanced pathological data [0.0]
デジタル病理学では、少ない細胞型は生物学的に重要である。
モデルトレーニング中の細胞型の豊富さを考慮した深層学習パイプラインを提案しました。
その結果,細胞量による深層学習損失関数のスケールアップは細胞検出性能を向上させることがわかった。
論文 参考訳（メタデータ） (2021-02-23T13:07:52Z) - Towards an Automatic Analysis of CHO-K1 Suspension Growth in
Microfluidic Single-cell Cultivation [63.94623495501023]
我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。
具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
論文 参考訳（メタデータ） (2020-10-20T08:36:51Z) - Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype
Prediction [55.94378672172967]
本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。
新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。
我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
論文 参考訳（メタデータ） (2020-09-02T02:50:30Z) - Automatic image-based identification and biomass estimation of
invertebrates [70.08255822611812]
時間を要する分類と分類は、どれだけの昆虫を処理できるかに強い制限を課す。
我々は、人間の専門家による分類と識別の標準的な手動アプローチを、自動画像ベース技術に置き換えることを提案する。
分類タスクには最先端のResnet-50とInceptionV3 CNNを使用する。
論文 参考訳（メタデータ） (2020-02-05T21:38:57Z)
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。