論文の概要: Peak Detection On Data Independent Acquisition Mass Spectrometry Data
With Semisupervised Convolutional Transformers
- arxiv url: http://arxiv.org/abs/2010.13841v1
- Date: Mon, 26 Oct 2020 18:55:27 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-02 20:00:16.791404
- Title: Peak Detection On Data Independent Acquisition Mass Spectrometry Data
With Semisupervised Convolutional Transformers
- Title(参考訳): 半教師付き畳み込み変圧器を用いたデータ独立取得質量分析データのピーク検出
- Authors: Leon L. Xu, Hannes L. R\"ost
- Abstract要約: 質量分析法(LC-MS)に結合した液体クロマトグラフィーは、プロテオームの高スループットで定量的な測定に一般的に用いられている。
本稿では,このピーク検出問題を多変量時系列分割問題として定式化し,トランスフォーマーアーキテクチャに基づく新しいアプローチを提案する。
ここでは、畳み込みニューラルネットワーク(CNN)を用いて、グローバルビューで長距離依存関係をキャプチャ可能なトランスフォーマーを拡大する。
我々は,このモデルを,多チャンネル時系列データに対する技術半教師付き画像分類手法の状況に適応させることで,半教師付き方式でさらに訓練する。
- 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: Liquid Chromatography coupled to Mass Spectrometry (LC-MS) based methods are
commonly used for high-throughput, quantitative measurements of the proteome
(i.e. the set of all proteins in a sample at a given time). Targeted LC-MS
produces data in the form of a two-dimensional time series spectrum, with the
mass to charge ratio of analytes (m/z) on one axis, and the retention time from
the chromatography on the other. The elution of a peptide of interest produces
highly specific patterns across multiple fragment ion traces (extracted ion
chromatograms, or XICs). In this paper, we formulate this peak detection
problem as a multivariate time series segmentation problem, and propose a novel
approach based on the Transformer architecture. Here we augment Transformers,
which are capable of capturing long distance dependencies with a global view,
with Convolutional Neural Networks (CNNs), which can capture local context
important to the task at hand, in the form of Transformers with Convolutional
Self-Attention. We further train this model in a semisupervised manner by
adapting state of the art semisupervised image classification techniques for
multi-channel time series data. Experiments on a representative LC-MS dataset
are benchmarked using manual annotations to showcase the encouraging
performance of our method; it outperforms baseline neural network architectures
and is competitive against the current state of the art in automated peak
detection.
- Abstract(参考訳): 質量分析法(LC-MS)に結合した液体クロマトグラフィーは、プロテオームの高スループット、定量的な測定に一般的に用いられている。
ターゲットのlc-msは、2次元の時系列スペクトルの形でデータを生成し、一方の軸上のアナライト(m/z)の質量対電荷比と他方のクロマトグラフィーからの保持時間を持つ。
興味のあるペプチドの溶出は、複数のフラグメントイオントレース(抽出イオンクロマトグラム、xic)にまたがる非常に特異的なパターンを生み出す。
本稿では,このピーク検出問題を多変量時系列分割問題として定式化し,トランスフォーマーアーキテクチャに基づく新しいアプローチを提案する。
ここでは、CNN(Convolutional Neural Networks)を用いて、グローバルビューで長距離依存関係をキャプチャ可能なTransformerを拡張し、そのタスクの重要なローカルコンテキストを、Convolutional Self-AttentionによるTransformer形式でキャプチャする。
さらに,マルチチャネル時系列データに対して,アート半教師付き画像分類手法の状態を適応させることにより,このモデルを半教師付きで訓練する。
代表的なlc-msデータセットにおける実験は、手動アノテーションを使用してベンチマークを行い、この手法の奨励的な性能を示す。
関連論文リスト
- Multi-Source and Test-Time Domain Adaptation on Multivariate Signals using Spatio-Temporal Monge Alignment [59.75420353684495]
コンピュータビジョンやバイオメディカルデータなどの信号に対する機械学習の応用は、ハードウェアデバイスやセッション記録にまたがる変動のため、しばしば課題に直面している。
本研究では,これらの変動を緩和するために,時空間モンジュアライメント(STMA)を提案する。
我々はSTMAが、非常に異なる設定で取得したデータセット間で、顕著で一貫したパフォーマンス向上をもたらすことを示す。
論文 参考訳(メタデータ) (2024-07-19T13:33:38Z) - Datacube segmentation via Deep Spectral Clustering [76.48544221010424]
拡張ビジョン技術は、しばしばその解釈に挑戦する。
データ立方体スペクトルの巨大な次元性は、その統計的解釈において複雑なタスクを生じさせる。
本稿では,符号化空間における教師なしクラスタリング手法の適用の可能性について検討する。
統計的次元削減はアドホック訓練(可変)オートエンコーダで行い、クラスタリング処理は(学習可能な)反復K-Meansクラスタリングアルゴリズムで行う。
論文 参考訳(メタデータ) (2024-01-31T09:31:28Z) - Graph Spatiotemporal Process for Multivariate Time Series Anomaly
Detection with Missing Values [67.76168547245237]
本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。
実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
論文 参考訳(メタデータ) (2024-01-11T10:10:16Z) - EdgeConvFormer: Dynamic Graph CNN and Transformer based Anomaly
Detection in Multivariate Time Series [7.514010315664322]
本研究では,階層化されたTime2vec埋め込み,動的グラフCNN,Transformerを統合し,グローバルかつ局所的な空間時間情報を抽出する新たな異常検出手法EdgeConvFormerを提案する。
実験により、EdgeConvFormerは、多変量時系列データから時空間モデリングを学習し、異なるスケールの多くの実世界のデータセットに対する最先端のアプローチよりも優れた異常検出性能を得ることができることが示された。
論文 参考訳(メタデータ) (2023-12-04T08:38:54Z) - Untargeted Region of Interest Selection for GC-MS Data using a Pseudo
F-Ratio Moving Window ($\psi$FRMV) [0.0]
本稿では,GC-MSデータにおける関心領域の自動選択手法を提案する。
これは、クロマトグラムを横切るウィンドウの特異値分解から得られる正方形第一値と第二特異値の比に基づいている。
アルゴリズムの感度は、信号を含むクロマトグラフィー領域をもはや取り出すことができない濃度を調べることで検証された。
論文 参考訳(メタデータ) (2022-07-30T21:43:05Z) - Coarse-to-Fine Sparse Transformer for Hyperspectral Image Reconstruction [138.04956118993934]
本稿では, サース・トゥ・ファインス・スパース・トランス (CST) を用いた新しいトランス方式を提案する。
HSI再構成のための深層学習にHSI空間を埋め込んだCST
特に,CSTは,提案したスペクトル認識スクリーニング機構(SASM)を粗いパッチ選択に使用し,選択したパッチを,細かなピクセルクラスタリングと自己相似性キャプチャのために,カスタマイズしたスペクトル集約ハッシュ型マルチヘッド自己アテンション(SAH-MSA)に入力する。
論文 参考訳(メタデータ) (2022-03-09T16:17:47Z) - Contrastive predictive coding for Anomaly Detection in Multi-variate
Time Series Data [6.463941665276371]
本稿では,MVTSデータにおける異常検出に向けて,TRL-CPC(Contrastive Predictive Coding)を用いた時系列表現学習を提案する。
まず,エンコーダ,自動回帰器,非線形変換関数を共同で最適化し,MVTSデータセットの表現を効果的に学習する。
論文 参考訳(メタデータ) (2022-02-08T04:25:29Z) - Imputing Missing Observations with Time Sliced Synthetic Minority
Oversampling Technique [0.3973560285628012]
本稿では,データセット内の各サンプルに対して均一な不規則な時系列を構成することを目的とした,単純かつ斬新な時系列計算手法を提案する。
我々は、観測時間の重複しないビン(「スライス」と呼ばれる)の中間点で定義される格子を固定し、各サンプルが所定の時間にすべての特徴に対して値を持つことを保証する。
これにより、完全に欠落した観察をインプットし、データ全体の時系列の均一な分類を可能にし、特別な場合には個々の欠落した特徴をインプットすることができる。
論文 参考訳(メタデータ) (2022-01-14T19:23:24Z) - Visual Saliency Transformer [127.33678448761599]
RGBとRGB-Dの液状物体検出(SOD)のための、純粋な変圧器であるVST(Visual Saliency Transformer)に基づく新しい統一モデルを開発しました。
イメージパッチを入力として取り、トランスフォーマーを利用してイメージパッチ間のグローバルコンテキストを伝搬する。
実験結果から,RGBとRGB-D SODのベンチマークデータセットにおいて,本モデルが既存の最新結果を上回っていることが示された。
論文 参考訳(メタデータ) (2021-04-25T08:24:06Z) - 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。