Fugu-MT 論文翻訳(概要): Gene Regulatory Network Inference with Latent Force Models

論文の概要: Gene Regulatory Network Inference with Latent Force Models

arxiv url: http://arxiv.org/abs/2010.02555v1
Date: Tue, 6 Oct 2020 09:03:34 GMT
ステータス: 処理完了
システム内更新日: 2022-10-10 07:57:55.579580
Title: Gene Regulatory Network Inference with Latent Force Models
Title（参考訳）: 潜在力モデルを用いた遺伝子制御ネットワーク推論
Authors: Jacob Moss, Pietro Li\'o
Abstract要約: タンパク質合成の遅延は、RNAシークエンシング時系列データから遺伝子制御ネットワーク(GRN)を構築する際に相反する効果をもたらす。実験データに適合するメカニスティック方程式とベイズ的アプローチを組み合わせることで,翻訳遅延を組み込んだモデルを提案する。
参考スコア（独自算出の注目度）: 1.2691047660244335
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Delays in protein synthesis cause a confounding effect when constructing Gene Regulatory Networks (GRNs) from RNA-sequencing time-series data. Accurate GRNs can be very insightful when modelling development, disease pathways, and drug side-effects. We present a model which incorporates translation delays by combining mechanistic equations and Bayesian approaches to fit to experimental data. This enables greater biological interpretability, and the use of Gaussian processes enables non-linear expressivity through kernels as well as naturally accounting for biological variation.
Abstract（参考訳）: タンパク質合成の遅延は、RNAシークエンシング時系列データから遺伝子制御ネットワーク(GRN)を構築する際に相反する効果をもたらす。正確なGRNは、発達、疾患経路、薬物副作用をモデル化する際に非常に洞察に富む。実験データに適合するメカニスティック方程式とベイズアプローチを組み合わせることで,翻訳遅延を組み込んだモデルを提案する。これにより生物学的解釈性が向上し、ガウス過程を用いることで、核を通じての非線形表現性や、自然に生物の変動を計算できる。

関連論文リスト

GENERator: A Long-Context Generative Genomic Foundation Model [66.46537421135996]
本研究では,98k塩基対 (bp) と1.2Bパラメータからなるゲノム基盤モデルを提案する。このモデルは分子生物学の中心的なドグマに固執し、タンパク質のコード配列を正確に生成する。また、特にプロモーター配列の即応的な生成を通じて、シーケンス最適化において大きな可能性を示している。
論文参考訳（メタデータ） (2025-02-11T05:39:49Z)
GPO-VAE: Modeling Explainable Gene Perturbation Responses utilizing GRN-Aligned Parameter Optimization [15.892401495784078]
本稿では,GRNによる遺伝子制御ネットワークによって強化された,説明可能な変分オートエンコーダ(VAE)であるGPO-VAEを提案する。我々の主要なアプローチは、GRN対応の説明可能性に対する潜伏摂動効果に関連する学習可能なパラメータを最適化することである。
論文参考訳（メタデータ） (2025-01-31T09:08:52Z)
Interpretable Neural ODEs for Gene Regulatory Network Discovery under Perturbations [4.34315395377214]
本稿では、生物学的に有意な神経常微分方程式(ニューラル・オード)を組み込んだ新しいフレームワークであるPerturbODEを提案し、摂動下での細胞状態の軌跡をモデル化する。シミュレーションおよび実際の過剰表現データセット間での軌道予測とGRN推論におけるPerturbODEの有効性を実証する。
論文参考訳（メタデータ） (2025-01-05T01:04:23Z)
Fine-Tuning Discrete Diffusion Models via Reward Optimization with Applications to DNA and Protein Design [56.957070405026194]
拡散モデルにより生成された軌道全体を通して報酬の直接バックプロパゲーションを可能にするアルゴリズムを提案する。 DRAKESは自然に似ており、高い報酬をもたらすシーケンスを生成することができる。
論文参考訳（メタデータ） (2024-10-17T15:10:13Z)
Semantically Rich Local Dataset Generation for Explainable AI in Genomics [0.716879432974126]
ゲノム配列に基づいて訓練されたブラックボックス深層学習モデルは、異なる遺伝子制御機構の結果を予測するのに優れている。本稿では、遺伝的プログラミングを用いて、その意味的多様性に寄与する配列の摂動を進化させることによりデータセットを生成することを提案する。
論文参考訳（メタデータ） (2024-07-03T10:31:30Z)
PhyloGFN: Phylogenetic inference with generative flow networks [57.104166650526416]
本稿では,系統学における2つの中核的問題に対処するための生成フローネットワーク(GFlowNets)の枠組みを紹介する。 GFlowNetsは複雑な構造をサンプリングするのに適しているため、木トポロジー上の多重モード後部分布を探索し、サンプリングするのに自然な選択である。我々は, 実際のベンチマークデータセット上で, 様々な, 高品質な進化仮説を生成できることを実証した。
論文参考訳（メタデータ） (2023-10-12T23:46:08Z)
Causal Inference in Gene Regulatory Networks with GFlowNet: Towards Scalability in Large Systems [87.45270862120866]
我々は、GRNにおける因果構造学習を強化する新しいフレームワークとしてSwift-DynGFNを紹介した。具体的には、Swift-DynGFNは、並列化を高め、計算コストを下げるために、遺伝子的に独立性を利用する。
論文参考訳（メタデータ） (2023-10-05T14:59:19Z)
Stability Analysis of Non-Linear Classifiers using Gene Regulatory Neural Network for Biological AI [2.0755366440393743]
二重層転写翻訳化学反応モデルを用いた遺伝子パーセプトロンの数学的モデルを構築した。我々は全接続GRNNサブネットワーク内の各遺伝子パーセプトロンの安定性解析を行い、時間的および安定した濃度出力を決定する。
論文参考訳（メタデータ） (2023-09-14T21:37:38Z)
The Expressive Leaky Memory Neuron: an Efficient and Expressive Phenomenological Neuron Model Can Solve Long-Horizon Tasks [64.08042492426992]
本稿では,脳皮質ニューロンの生物学的モデルであるExpressive Memory(ELM)ニューロンモデルを紹介する。 ELMニューロンは、上記の入力-出力関係を1万以下のトレーニング可能なパラメータと正確に一致させることができる。本稿では,Long Range Arena(LRA)データセットなど,時間構造を必要とするタスクで評価する。
論文参考訳（メタデータ） (2023-06-14T13:34:13Z)
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)

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。