論文の概要: Classification of Noncoding RNA Elements Using Deep Convolutional Neural
Networks
- arxiv url: http://arxiv.org/abs/2008.10580v1
- Date: Mon, 24 Aug 2020 17:43:50 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-25 12:06:45.251456
- Title: Classification of Noncoding RNA Elements Using Deep Convolutional Neural
Networks
- Title(参考訳): 深部畳み込みニューラルネットワークを用いた非コーディングRNA要素の分類
- Authors: Brian McClannahan, Krushi Patel, Usman Sajid, Cuncong Zhong, Guanghui
Wang
- Abstract要約: 本稿では,非コーディングRNA(ncRNA)配列の分類に深層畳み込みニューラルネットワーク(CNN)を用いることを提案する。
まず、RNA配列を塩基対化確率を特徴付ける画像に変換する効率的な手法を提案する。
その結果、RNA配列の分類は画像分類問題に変換され、利用可能なCNNベースの分類モデルで効率的に解ける。
- 参考スコア(独自算出の注目度): 16.650383406063956
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The paper proposes to employ deep convolutional neural networks (CNNs) to
classify noncoding RNA (ncRNA) sequences. To this end, we first propose an
efficient approach to convert the RNA sequences into images characterizing
their base-pairing probability. As a result, classifying RNA sequences is
converted to an image classification problem that can be efficiently solved by
available CNN-based classification models. The paper also considers the folding
potential of the ncRNAs in addition to their primary sequence. Based on the
proposed approach, a benchmark image classification dataset is generated from
the RFAM database of ncRNA sequences. In addition, three classical CNN models
have been implemented and compared to demonstrate the superior performance and
efficiency of the proposed approach. Extensive experimental results show the
great potential of using deep learning approaches for RNA classification.
- Abstract(参考訳): 本稿では,非コーディングRNA(ncRNA)配列の分類に深層畳み込みニューラルネットワーク(CNN)を用いることを提案する。
そこで我々はまず,RNA配列を塩基対化確率を特徴付ける画像に変換する効率的な手法を提案する。
その結果、RNA配列の分類は画像分類問題に変換され、利用可能なCNNベースの分類モデルで効率的に解ける。
この論文は、ncrnaの一次配列に加えて折り畳みポテンシャルも考慮している。
提案手法に基づいて,ncRNA配列のRFAMデータベースからベンチマーク画像分類データセットを生成する。
加えて、3つの古典的なcnnモデルが実装され、提案手法の優れた性能と効率を示すために比較されている。
広範な実験結果から,rna分類に深層学習法を用いる可能性が示唆された。
関連論文リスト
- Splicing Up Your Predictions with RNA Contrastive Learning [4.35360799431127]
我々は、代替スプライシング遺伝子複製によって生成された機能配列間の類似性を利用して、対照的な学習手法をゲノムデータに拡張する。
RNA半減期やリボソーム負荷予測などの下流タスクにおけるそれらの有用性を検証する。
学習された潜在空間の探索は、我々の対照的な目的が意味論的に意味のある表現をもたらすことを示した。
論文 参考訳(メタデータ) (2023-10-12T21:51:25Z) - RDesign: Hierarchical Data-efficient Representation Learning for
Tertiary Structure-based RNA Design [65.41144149958208]
本研究では,データ駆動型RNA設計パイプラインを体系的に構築することを目的とする。
我々は、ベンチマークデータセットを作成し、複雑なRNA第三次構造を表現するための包括的な構造モデリングアプローチを設計した。
RNA設計プロセスを容易にするために,塩基対を持つ抽出二次構造体を事前知識として組み込んだ。
論文 参考訳(メタデータ) (2023-01-25T17:19:49Z) - Optirank: classification for RNA-Seq data with optimal ranking reference
genes [0.0]
そこで我々は,ロジスティック回帰モデルであるOptiicrankを提案し,モデルと遺伝子のパラメータを同時に学習し,ランキングの基準セットとして使用する。
また、列車データと試験データの間に異なる種類の分散シフトを示す実際の分類タスクについても検討する。
論文 参考訳(メタデータ) (2023-01-11T10:49:06Z) - Do We Really Need a Learnable Classifier at the End of Deep Neural
Network? [118.18554882199676]
本研究では、ニューラルネットワークを学習して分類器をランダムにETFとして分類し、訓練中に固定する可能性について検討する。
実験結果から,バランスの取れたデータセットの画像分類において,同様の性能が得られることがわかった。
論文 参考訳(メタデータ) (2022-03-17T04:34:28Z) - Improving RNA Secondary Structure Design using Deep Reinforcement
Learning [69.63971634605797]
本稿では,RNA配列設計に強化学習を適用した新しいベンチマークを提案する。このベンチマークでは,目的関数を配列の二次構造における自由エネルギーとして定義する。
本稿では,これらのアルゴリズムに対して行うアブレーション解析の結果と,バッチ間でのアルゴリズムの性能を示すグラフを示す。
論文 参考訳(メタデータ) (2021-11-05T02:54:06Z) - TargetNet: Functional microRNA Target Prediction with Deep Neural
Networks [16.94702979550834]
本稿では,関数型ターゲット予測のための新しいディープラーニングベースのアルゴリズムであるTargetNetを紹介する。
提案モデルは, コンポーネント-CTSペアデータセットを用いて訓練し, 残基-mRNAペアデータセットを用いて評価した。
論文 参考訳(メタデータ) (2021-07-23T07:31:23Z) - Rank-R FNN: A Tensor-Based Learning Model for High-Order Data
Classification [69.26747803963907]
Rank-R Feedforward Neural Network (FNN)は、そのパラメータにCanonical/Polyadic分解を課すテンソルベースの非線形学習モデルである。
まず、入力をマルチリニアアレイとして扱い、ベクトル化の必要性を回避し、すべてのデータ次元に沿って構造情報を十分に活用することができる。
Rank-R FNNの普遍的な近似と学習性の特性を確立し、実世界のハイパースペクトルデータセットのパフォーマンスを検証する。
論文 参考訳(メタデータ) (2021-04-11T16:37:32Z) - Classification of Long Noncoding RNA Elements Using Deep Convolutional
Neural Networks and Siamese Networks [17.8181080354116]
この論文は、cRNA配列を分類するために、ディープ畳み込みニューラルネットワーク(CNN)の新たな手法を提案する。
その結果、CNNベースの分類モデルにより効率よく解ける画像分類プロブレムに、クラスサイズRNA配列を変換する。
論文 参考訳(メタデータ) (2021-02-10T17:26:38Z) - Approximate kNN Classification for Biomedical Data [1.1852406625172218]
Single-cell RNA-seq (scRNA-seq) は、将来性はあるが重要な計算課題を持つDNAシークエンシング技術である。
scRNA-seqデータにおけるkNN分類のタスクに近似した近接探索アルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-12-03T18:30:43Z) - RNA Secondary Structure Prediction By Learning Unrolled Algorithms [70.09461537906319]
本稿では,RNA二次構造予測のためのエンド・ツー・エンドのディープラーニングモデルであるE2Efoldを提案する。
E2Efoldの鍵となる考え方は、RNA塩基対行列を直接予測し、制約のないプログラミングを、制約を強制するための深いアーキテクチャのテンプレートとして使うことである。
ベンチマークデータセットに関する包括的な実験により、E2Efoldの優れた性能を実証する。
論文 参考訳(メタデータ) (2020-02-13T23:21:25Z) - MSE-Optimal Neural Network Initialization via Layer Fusion [68.72356718879428]
ディープニューラルネットワークは、さまざまな分類と推論タスクに対して最先端のパフォーマンスを達成する。
グラデーションと非進化性の組み合わせは、学習を新しい問題の影響を受けやすいものにする。
確率変数を用いて学習した深層ネットワークの近傍層を融合する手法を提案する。
論文 参考訳(メタデータ) (2020-01-28T18:25:15Z)
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。