論文の概要: Trace Reconstruction Problems in Computational Biology

• arxiv url: http://arxiv.org/abs/2010.06083v1
• Date: Mon, 12 Oct 2020 23:52:46 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-08 08:18:13.454275
• Title: Trace Reconstruction Problems in Computational Biology
• Title（参考訳）: 計算生物学におけるトレース再構成問題
• Authors: Vinnu Bhardwaj, Pavel A. Pevzner, Cyrus Rashtchian, Yana Safonova
• Abstract要約: 我々は,新しいトレース生成モデルと,免疫ゲノム学およびDNAデータ保存のためのトレース再構成に関するオープンな質問を紹介する。 免疫ゲノム学において、トレースは、適応免疫系によって自然に生成される突然変異を伴う遺伝子の変異コピーに対応する。 DNAデータストレージでは、トレースはデジタルデータをエンコードするDNA分子のノイズの多いコピーに対応し、エラーはデータ検索プロセスの成果物である。
• 参考スコア（独自算出の注目度）: 10.552465253379134
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The problem of reconstructing a string from its error-prone copies, the trace reconstruction problem, was introduced by Vladimir Levenshtein two decades ago. While there has been considerable theoretical work on trace reconstruction, practical solutions have only recently started to emerge in the context of two rapidly developing research areas: immunogenomics and DNA data storage. In immunogenomics, traces correspond to mutated copies of genes, with mutations generated naturally by the adaptive immune system. In DNA data storage, traces correspond to noisy copies of DNA molecules that encode digital data, with errors being artifacts of the data retrieval process. In this paper, we introduce several new trace generation models and open questions relevant to trace reconstruction for immunogenomics and DNA data storage, survey theoretical results on trace reconstruction, and highlight their connections to computational biology. Throughout, we discuss the applicability and shortcomings of known solutions and suggest future research directions.
• Abstract（参考訳）: エラーが発生しやすいコピーから文字列を再構築する問題、トレース復元問題(trace reconstruction problem)は20年前にウラジーミル・レベンシュテイン(vladimir levenshtein)によって導入された。 痕跡の復元に関する理論的な研究は盛んに行われてきたが、実際的な解決策は、急速に発展している2つの研究分野、すなわち免疫ゲノム学とDNAデータストレージの文脈でのみ現れ始めている。 免疫ゲノム学において、トレースは、適応免疫系によって自然に生成される突然変異を伴う遺伝子の変異コピーに対応する。 DNAデータストレージでは、トレースはデジタルデータをエンコードするDNA分子のノイズの多いコピーに対応し、エラーはデータ検索プロセスの成果物である。 本稿では,いくつかの新しいトレース生成モデルと,免疫遺伝学とdnaデータ保存のトレース再構成に関する疑問,トレース再構成に関する理論的結果,およびそれらの計算生物学との関連について紹介する。 総合的に,既知のソリューションの適用可能性と欠点を議論し,今後の研究の方向性を提案する。

関連論文リスト

• Recovering Time-Varying Networks From Single-Cell Data [11.04189396013616]
  時系列単細胞遺伝子発現データから動的グラフを推論するディープニューラルネットワークであるMarleneを開発した。 Marleneは、新型コロナウイルスの免疫反応、線維化、老化など、特定の生物学的反応に関連する遺伝子相互作用を同定することができる。
  論文  参考訳（メタデータ） (2024-10-01T19:18:51Z)
• Nonparametric independence tests in high-dimensional settings, with applications to the genetics of complex disease [55.2480439325792]
  遺伝子データの支持空間における適切な事前測定構造の定義が,このような検査に新たなアプローチをもたらすことを示す。 各問題に対して、数学的結果、シミュレーションおよび実データへの適用を提供する。
  論文  参考訳（メタデータ） (2024-07-29T01:00:53Z)
• Dy-mer: An Explainable DNA Sequence Representation Scheme using Sparse Recovery [6.733319363951907]
  textbfDy-merはスパースリカバリに基づく説明可能で堅牢な表現スキームである。 DNAプロモーターの分類における最先端のパフォーマンスを達成し、textbf13%の精度向上をもたらす。
  論文  参考訳（メタデータ） (2024-07-06T15:08:31Z)
• Cell reprogramming design by transfer learning of functional transcriptional networks [0.0]
  我々は,ヒト細胞運命に関連する転写学的データに基づいて事前学習した細胞行動を制御するための転写学習手法を開発した。 本研究では, 発達関連性の低下に伴い, ある運命から別の運命へと進むために必要な遺伝子摂動の数が増加することを示す。
  論文  参考訳（メタデータ） (2024-03-07T19:00:02Z)
• 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)
• DNAGPT: A Generalized Pre-trained Tool for Versatile DNA Sequence Analysis Tasks [14.931476374660944]
  DNAGPTは、全哺乳類から200億以上の塩基対をトレーニングした、一般的なDNA事前学習モデルである。 古典的なGPTモデルをバイナリ分類タスク、数値回帰タスク、包括的トークン言語で拡張することにより、DNAGPTは汎用的なDNA解析タスクを処理できる。
  論文  参考訳（メタデータ） (2023-07-11T06:30:43Z)
• 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)
• Efficient Automation of Neural Network Design: A Survey on Differentiable Neural Architecture Search [70.31239620427526]
  微分可能なニューラルネットワーク探索(DNAS)は、ディープニューラルネットワークアーキテクチャの発見を自動化するトレンドのアプローチとして、急速に自らを強制した。 この増加は主に、最初の主要なDNAS法の一つであるDARTSの人気が原因である。 本総説では,DNASに特に焦点をあて,最近のアプローチを概観する。
  論文  参考訳（メタデータ） (2023-04-11T13:15:29Z)
• Machine Learning Methods for Cancer Classification Using Gene Expression Data: A Review [77.34726150561087]
  がんは心臓血管疾患の2番目の死因である。 遺伝子発現は癌の早期発見において基本的な役割を担っている。 本研究は,機械学習を用いた癌分類における遺伝子発現解析の最近の進歩を概説する。
  論文  参考訳（メタデータ） (2023-01-28T15:03:03Z)
• Expectile Neural Networks for Genetic Data Analysis of Complex Diseases [3.0088453915399747]
  本研究では、複雑な疾患の遺伝子データ解析のための予測型ニューラルネットワーク(ENN)法を開発した。 期待回帰と同様に、ERNは遺伝子変異と疾患の表現型との関係を包括的に把握する。 提案手法は,遺伝子変異と疾患表現型との間に複雑な関係がある場合,既存の予測回帰よりも優れていた。
  論文  参考訳（メタデータ） (2020-10-26T21:07:40Z)
• 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)

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。