論文の概要: Design of Experiments for Verifying Biomolecular Networks

• arxiv url: http://arxiv.org/abs/2011.10575v2
• Date: Wed, 25 Nov 2020 10:51:24 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-23 05:40:41.052079
• Title: Design of Experiments for Verifying Biomolecular Networks
• Title（参考訳）: 生体分子ネットワークの検証実験の設計
• Authors: Ruby Sedgwick, John Goertz, Molly Stevens, Ruth Misener, Mark van der Wilk
• Abstract要約: 分子生物学や合成生物学のトレンドは、生体分子ネットワークの設計に機械的(非機械学習)モデルを使用することである。 これらのネットワークは、理論的ネットワークが真のシステムを正しくモデル化することを保証するために、実験結果によって検証される必要がある。 本稿では,これらのネットワークを効率的に検証するための実験手法を提案する。
• 参考スコア（独自算出の注目度）: 12.788443087394239
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: There is a growing trend in molecular and synthetic biology of using mechanistic (non machine learning) models to design biomolecular networks. Once designed, these networks need to be validated by experimental results to ensure the theoretical network correctly models the true system. However, these experiments can be expensive and time consuming. We propose a design of experiments approach for validating these networks efficiently. Gaussian processes are used to construct a probabilistic model of the discrepancy between experimental results and the designed response, then a Bayesian optimization strategy used to select the next sample points. We compare different design criteria and develop a stopping criterion based on a metric that quantifies this discrepancy over the whole surface, and its uncertainty. We test our strategy on simulated data from computer models of biochemical processes.
• Abstract（参考訳）: メカニスティック(非機械学習)モデルを用いて生体分子ネットワークを設計する、分子生物学と合成生物学のトレンドが増えている。 一旦設計されると、理論ネットワークが真のシステムを正しくモデル化するために、実験結果によって検証される必要がある。 しかし、これらの実験は高価で時間がかかる。 本稿では,これらのネットワークを効率的に検証するための実験手法を提案する。 ガウス過程は実験結果と設計された応答との差の確率モデルを構築するために使用され、次にベイズ最適化戦略を用いて次のサンプル点を選択する。 異なる設計基準を比較し, 表面上のこの相違点とその不確かさを定量化する計量に基づいて, 停止基準を策定する。 バイオケミカルプロセスのコンピュータモデルからのシミュレーションデータに関する戦略を検証した。

関連論文リスト

• Transfer Learning Bayesian Optimization to Design Competitor DNA Molecules for Use in Diagnostic Assays [11.72580324398892]
  最適化タスク間で情報を共有することで,実験の総数を削減する方法を示す。 我々は,DNAコンペティターの開発から得られたデータを用いて,実験数の減少を実証する。
  論文  参考訳（メタデータ） (2024-02-27T17:30:33Z)
• Machine learning enabled experimental design and parameter estimation for ultrafast spin dynamics [54.172707311728885]
  機械学習とベイズ最適実験設計(BOED)を組み合わせた方法論を提案する。 本手法は,大規模スピンダイナミクスシミュレーションのためのニューラルネットワークモデルを用いて,BOEDの正確な分布と実用計算を行う。 数値ベンチマークでは,XPFS実験の誘導,モデルパラメータの予測,実験時間内でのより情報的な測定を行う上で,本手法の優れた性能を示す。
  論文  参考訳（メタデータ） (2023-06-03T06:19:20Z)
• Designing Optimal Behavioral Experiments Using Machine Learning [8.759299724881219]
  BOEDと機械学習の最近の進歩を活用して、あらゆる種類のモデルに対して最適な実験を見つけるためのチュートリアルを提供する。 マルチアームバンディット意思決定タスクにおける探索と搾取のバランスに関する理論を考察する。 文献でよく用いられる実験的な設計と比較すると、最適な設計は個人の行動に最適なモデルのどれが最適かをより効率的に決定する。
  論文  参考訳（メタデータ） (2023-05-12T18:24:30Z)
• Online simulator-based experimental design for cognitive model selection [74.76661199843284]
  本稿では,抽出可能な確率を伴わない計算モデルを選択する実験設計手法BOSMOSを提案する。 シミュレーション実験では,提案手法により,既存のLFI手法に比べて最大2桁の精度でモデルを選択することができることを示した。
  論文  参考訳（メタデータ） (2023-03-03T21:41:01Z)
• GFlowNets for AI-Driven Scientific Discovery [74.27219800878304]
  我々はGFlowNetsと呼ばれる新しい確率論的機械学習フレームワークを提案する。 GFlowNetsは、実験科学ループのモデリング、仮説生成、実験的な設計段階に適用できる。 我々は、GFlowNetsがAIによる科学的発見の貴重なツールになり得ると論じている。
  論文  参考訳（メタデータ） (2023-02-01T17:29:43Z)
• Simulation Paths for Quantum Circuit Simulation with Decision Diagrams [72.03286471602073]
  決定図を用いて量子回路をシミュレートする際に選択される経路の重要性について検討する。 我々は、専用のシミュレーションパスを調査できるオープンソースのフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-03-01T19:00:11Z)
• Pathloss modeling for in-body optical wireless communications [65.33908037519238]
  光無線通信(OWC)は、次世代の体内ナノスケールネットワークとインプラントの候補として認識されている。 本稿では,体内OWCの一般パスロスモデルについて述べる。
  論文  参考訳（メタデータ） (2021-05-06T17:17:45Z)
• Inference of cell dynamics on perturbation data using adjoint sensitivity [4.606583317143614]
  データ駆動型細胞生物学のダイナミックモデルを用いて、目に見えない摂動に対する細胞の反応を予測することができる。 最近の研究は、明示的な相互作用項を持つ解釈可能なモデルの導出を実証した。 本研究は,このモデル推論手法の適用範囲を生物システムの多様性に拡張することを目的としている。
  論文  参考訳（メタデータ） (2021-04-13T19:15:56Z)
• TaBooN -- Boolean Network Synthesis Based on Tabu Search [0.0]
  Omics-Technologyは、複数の次元とスケールで分子データを生成することによって生物学の研究に革命をもたらした。 生物学的ネットワークは、遺伝子やタンパク質などのコンポーネントを参照するノードと、それらの相互作用を形式化するエッジ/弧から構成される。
  論文  参考訳（メタデータ） (2020-09-08T08:56:14Z)
• The Heterogeneity Hypothesis: Finding Layer-Wise Differentiated Network Architectures [179.66117325866585]
  我々は、通常見過ごされる設計空間、すなわち事前定義されたネットワークのチャネル構成を調整することを検討する。 この調整は、拡張ベースラインネットワークを縮小することで実現でき、性能が向上する。 画像分類、視覚追跡、画像復元のための様々なネットワークとデータセットで実験を行う。
  論文  参考訳（メタデータ） (2020-06-29T17:59:26Z)

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。