論文の概要: Inferring Microbial Biomass Yield and Cell Weight using Probabilistic Macrochemical Modeling

• arxiv url: http://arxiv.org/abs/2010.02759v4
• Date: Thu, 18 Nov 2021 15:39:31 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-10 07:49:57.627817
• Title: Inferring Microbial Biomass Yield and Cell Weight using Probabilistic Macrochemical Modeling
• Title（参考訳）: 確率的マクロケミカルモデリングによる微生物のバイオマス収量と細胞量の推定
• Authors: Antonio R. Paiva and Giovanni Pilloni
• Abstract要約: 微生物学研究において、微生物種が環境の変化にどのように反応するかを理解するために、成長速度とバイオマス収量が重要な記述子である。 細胞数からバイオマスを推定し、収穫量を評価するために必要となるように、仮定された細胞重量に依存する。 これらの仮定に対するノイズと不一致は、微生物の反応に関する結論に大きな変化をもたらす可能性がある。 本稿では,微生物成長の確率論的マクロケミカルモデルを用いて,これらの課題に対処する手法を提案する。
• 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: Growth rates and biomass yields are key descriptors used in microbiology studies to understand how microbial species respond to changes in the environment. Of these, biomass yield estimates are typically obtained using cell counts and measurements of the feed substrate. These quantities are perturbed with measurement noise however. Perhaps most crucially, estimating biomass from cell counts, as needed to assess yields, relies on an assumed cell weight. Noise and discrepancies on these assumptions can lead to significant changes in conclusions regarding the microbes' response. This article proposes a methodology to address these challenges using probabilistic macrochemical models of microbial growth. It is shown that a model can be developed to fully use the experimental data, relax assumptions and greatly improve robustness to a priori estimates of the cell weight, and provides uncertainty estimates of key parameters. This methodology is demonstrated in the context of a specific case study and the estimation characteristics are validated in several scenarios using synthetically generated microbial growth data.
• Abstract（参考訳）: 成長速度とバイオマス収量は、微生物が環境の変化にどのように反応するかを理解するために微生物学的研究で使われる重要な記述である。 これらのうち、バイオマス収量推定は、通常、細胞数と飼料基質の測定によって得られる。 しかし、これらの量は測定ノイズとともに摂動する。 おそらく最も重要なのは、収量を評価するために必要な細胞数からバイオマスを推定することは、仮定された細胞量に依存していることである。 これらの仮定のノイズと不一致は、微生物の反応に関する結論に大きな変化をもたらす可能性がある。 本稿では,微生物成長の確率的マクロケミカルモデルを用いて,これらの課題に対処する手法を提案する。 実験データを完全に利用し、仮定を緩和し、細胞重量の事前推定に対するロバスト性を大幅に改善するモデルを開発し、鍵パラメータの不確実性推定を提供する。 この手法は特定のケーススタディの文脈で実証され、合成微生物成長データを用いていくつかのシナリオで評価特性が検証される。

関連論文リスト

• Learning to Predict Mutation Effects of Protein-Protein Interactions by Microenvironment-aware Hierarchical Prompt Learning [78.38442423223832]
  我々は、新しいコードブック事前学習タスク、すなわちマスク付きマイクロ環境モデリングを開発する。 突然変異効果予測において、最先端の事前学習法よりも優れた性能と訓練効率を示す。
  論文  参考訳（メタデータ） (2024-05-16T03:53:21Z)
• MMCBE: Multi-modality Dataset for Crop Biomass Prediction and Beyond [11.976195465657236]
  作物バイオマス推定のための多モードデータセット(MMCBE) このデータセットは、216セットの多視点ドローン画像と、LiDAR点雲とハンドラベリングされた地上真実で構成されている。 我々は,MCCBEを用いた最先端の作物バイオマス推定手法を厳格に評価し,ドローン画像からの3D作物の復元やノベルビューレンダリングなど,新たな応用の可能性を探った。
  論文  参考訳（メタデータ） (2024-04-17T11:06:42Z)
• MAPE-PPI: Towards Effective and Efficient Protein-Protein Interaction Prediction via Microenvironment-Aware Protein Embedding [82.31506767274841]
  タンパク質-プロテイン相互作用(PPI)は、様々な生物学的過程において基本的であり、生命活動において重要な役割を果たしている。 MPAE-PPIは、十分に大きな「語彙」を介して、マイクロ環境を化学的に意味のある離散コードに符号化する MPAE-PPIは、数百万のPPIでPPI予測にスケールでき、有効性と計算効率のトレードオフが優れている。
  論文  参考訳（メタデータ） (2024-02-22T09:04:41Z)
• Simulation-based Inference for Cardiovascular Models [57.92535897767929]
  シミュレーションに基づく推論を用いて、波形をプラプシブルな生理的パラメータにマッピングする逆問題を解決する。 臨床応用5種類のバイオマーカーのin-silico不確実性解析を行った。 我々はMIMIC-III波形データベースを用いて,ビビオとシリカのギャップについて検討した。
  論文  参考訳（メタデータ） (2023-07-26T02:34:57Z)
• Human Limits in Machine Learning: Prediction of Plant Phenotypes Using Soil Microbiome Data [0.2812395851874055]
  我々は,土壌と生物表現型との関係を理解するために,機械学習モデルの予測可能性について,初めて深く研究した。 土壌物理化学的特性や微生物集団密度などの環境特性をモデルに組み込んだ場合, 予測精度が向上することを示す。
  論文  参考訳（メタデータ） (2023-06-19T20:52:37Z)
• A Comprehensive Survey with Quantitative Comparison of Image Analysis Methods for Microorganism Biovolume Measurements [26.935836204724257]
  微生物は工業生産、バイオテクノロジー、食品安全試験においてますます重要な役割を担っている。 従来の手動測定手法は時間を要するものであり、その特性を正確に測定することは困難である。 デジタル画像処理技術の発展により、微生物集団の特性を検出し定量化することができる。
  論文  参考訳（メタデータ） (2022-02-18T04:58:04Z)
• 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)
• Microbiome subcommunity learning with logistic-tree normal latent Dirichlet allocation [3.960875974762257]
  混合メンバーシップモデル(MM)は微生物種の潜伏サブコミュニティを特定するために微生物組成データに適用されている。 本稿では,あるセントロイドの組成の周辺における各サブコミュニティの組成の変動を許容する新しいMMモデルを提案する。
  論文  参考訳（メタデータ） (2021-09-11T22:52:12Z)
• Deep neural networks approach to microbial colony detection -- a comparative analysis [52.77024349608834]
  本稿では,AGARデータセットを用いた3つの深層学習手法の性能について検討する。 得られた結果は将来の実験のベンチマークとして機能するかもしれない。
  論文  参考訳（メタデータ） (2021-08-23T12:06:00Z)
• 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)
• PhD dissertation to infer multiple networks from microbial data [0.0]
  微生物ネットワークは、サンプルタキサカウント行列から構築された重み付きグラフである。 このグラフのノードは微生物の分類であり、エッジはこれらの分類のペアの関連を表す。
  論文  参考訳（メタデータ） (2020-10-12T19:16:26Z)

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。