論文の概要: PhD dissertation to infer multiple networks from microbial data
- arxiv url: http://arxiv.org/abs/2010.05909v2
- Date: Fri, 16 Oct 2020 19:51:56 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-08 07:42:34.273435
- Title: PhD dissertation to infer multiple networks from microbial data
- Title（参考訳）: 微生物データから複数のネットワークを推定するphd法
- Authors: Sahar Tavakoli
- Abstract要約: 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。
- 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: The interactions among the constituent members of a microbial community play
a major role in determining the overall behavior of the community and the
abundance levels of its members. These interactions can be modeled using a
network whose nodes represent microbial taxa and edges represent pairwise
interactions. A microbial network is a weighted graph that is constructed from
a sample-taxa count matrix, and can be used to model co-occurrences and/or
interactions of the constituent members of a microbial community. The nodes in
this graph represent microbial taxa and the edges represent pairwise
associations amongst these taxa. A microbial network is typically constructed
from a sample-taxa count matrix that is obtained by sequencing multiple
biological samples and identifying taxa counts. From large-scale microbiome
studies, it is evident that microbial community compositions and interactions
are impacted by environmental and/or host factors. Thus, it is not unreasonable
to expect that a sample-taxa matrix generated as part of a large study
involving multiple environmental or clinical parameters can be associated with
more than one microbial network. However, to our knowledge, microbial network
inference methods proposed thus far assume that the sample-taxa matrix is
associated with a single network.
- Abstract（参考訳）: 微生物群集の構成員間の相互作用は, 群集の全体行動と構成員の豊富度を決定する上で重要な役割を果たしている。
これらの相互作用は、ノードが微生物の分類を表し、エッジが対的な相互作用を表すネットワークを用いてモデル化することができる。
微生物ネットワークは、サンプル・タキサ数行列から構築された重み付きグラフであり、微生物群の構成員の共起および/または相互作用のモデル化に使用できる。
このグラフのノードは微生物分類群を表し、エッジはこれらの分類群間の対関係を表す。
微生物ネットワークは通常、複数の生物学的サンプルをシークエンシングし、タクサカウントを同定して得られるサンプルタクサカウントマトリックスから構築される。
微生物群集の組成や相互作用が環境因子や宿主因子に影響されていることが明らかとなった。
したがって、複数の環境パラメータや臨床パラメータを含む大規模な研究の一部として生成されたサンプルタキサマトリックスが、複数の微生物ネットワークに関連付けられるとは考えられない。
しかし,これまでに提案した微生物ネットワーク推定法では,サンプルタキサ行列が単一ネットワークに関連付けられていると推定されている。
関連論文リスト
- gFlora: a topology-aware method to discover functional co-response groups in soil microbial communities [2.6884929428864353]
我々は,その機能的共応答群,すなわち,その共応答効果が総トポロジカル量のトポロジカルなトポロジカルなトポロジカルなトポロジカルなトポロジカルなトポロジカルなトポロジカルなトポロジカルなトポロジカルなトポロジカルなトポロジカルなトポロジカルなトポロジカルなトポロジカルなトポロジカルなトポロジカルなトポロジ
土壌微生物群集を分類群をノードとした生態共起ネットワークとしてモデル化する。
我々は、この共起ネットワーク上でグラフ畳み込みを用いて、グループ間の共応答効果を得るgFloraと呼ばれる手法を設計する。
論文 参考訳（メタデータ） (2024-07-04T12:43:53Z) - Graph Neural Networks for Gut Microbiome Metaomic data: A preliminary work [0.47248250311484113]
グラフニューラルネットワーク(GNN)を用いた個々の腸内マイクロバイオームの有意義な表現の導出を目指す。
エンコーダから学習した表現は、炎症性腸疾患(IBD)などの表現型予測モデルの訓練に使用される。
論文 参考訳（メタデータ） (2024-06-28T15:53:36Z) - 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) - Cross-Validation for Training and Testing Co-occurrence Network
Inference Algorithms [1.8638865257327277]
共起ネットワーク推論アルゴリズムは、微生物、特にバクテリアの複雑な関連を理解するのに役立ちます。
推定されたネットワークの品質を評価するための従来の方法は、外部データの使用、サブサンプル間のネットワーク一貫性などである。
本稿では、共起ネットワーク推論アルゴリズムを評価するための新しいクロスバリデーション手法と、テストデータに基づく予測に既存のアルゴリズムを適用する新しい方法を提案する。
論文 参考訳（メタデータ） (2023-09-26T19:43:15Z) - Three-dimensional microstructure generation using generative adversarial
neural networks in the context of continuum micromechanics [77.34726150561087]
本研究は, 三次元マイクロ構造生成に適した生成対向ネットワークを提案する。
軽量アルゴリズムは、明示的な記述子を必要とせずに、単一のmicroCTスキャンから材料の基礎特性を学習することができる。
論文 参考訳（メタデータ） (2022-05-31T13:26:51Z) - Graph Neural Networks for Microbial Genome Recovery [64.91162205624848]
本稿では,グラフニューラルネットワーク(GNN)を用いて,メダゲノミクスビニングのためのコンティグ表現を学習する際のアセンブリグラフを活用することを提案する。
提案手法であるVaeG-Binは,個々のコンティグの潜在表現を学習するための変分オートエンコーダと,アセンブリグラフ内のコンティグの近傍構造を考慮したGNNを組み合わせる。
論文 参考訳（メタデータ） (2022-04-26T12:49:51Z) - Understanding microbiome dynamics via interpretable graph representation
learning [0.0]
微生物構成における大規模な摂動は、ヒト生理学の健康と機能と強く相関している。
本稿では,これらの相互作用を,ノードが微生物であり,エッジが相互作用する時間進化グラフとしてモデル化することを提案する。
このような複雑な相互作用を分析する必要性から、時間進化グラフの低次元表現を学習する手法を開発した。
論文 参考訳（メタデータ） (2022-03-02T18:53:14Z) - GFlowNet Foundations [66.69854262276391]
Generative Flow Networks (GFlowNets) は、多様な候補をアクティブな学習コンテキストでサンプリングする方法として導入された。
GFlowNetのさらなる理論的性質について述べる。
論文 参考訳（メタデータ） (2021-11-17T17:59:54Z) - 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)
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。