論文の概要: Classification of Long Noncoding RNA Elements Using Deep Convolutional
Neural Networks and Siamese Networks
- arxiv url: http://arxiv.org/abs/2102.05582v1
- Date: Wed, 10 Feb 2021 17:26:38 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-12 03:55:58.815623
- Title: Classification of Long Noncoding RNA Elements Using Deep Convolutional
Neural Networks and Siamese Networks
- Title(参考訳): 深層畳み込みニューラルネットワークとシアムスネットワークを用いた長鎖非符号化RNA要素の分類
- Authors: Brian McClannahan, Cucong Zhong, Guanghui Wang
- Abstract要約: この論文は、cRNA配列を分類するために、ディープ畳み込みニューラルネットワーク(CNN)の新たな手法を提案する。
その結果、CNNベースの分類モデルにより効率よく解ける画像分類プロブレムに、クラスサイズRNA配列を変換する。
- 参考スコア(独自算出の注目度): 17.8181080354116
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: In the last decade, the discovery of noncoding RNA(ncRNA) has exploded.
Classifying these ncRNA is critical todetermining their function. This thesis
proposes a new methodemploying deep convolutional neural networks (CNNs) to
classifyncRNA sequences. To this end, this paper first proposes anefficient
approach to convert the RNA sequences into imagescharacterizing their
base-pairing probability. As a result, clas-sifying RNA sequences is converted
to an image classificationproblem that can be efficiently solved by available
CNN-basedclassification models. This research also considers the
foldingpotential of the ncRNAs in addition to their primary sequence.Based on
the proposed approach, a benchmark image classifi-cation dataset is generated
from the RFAM database of ncRNAsequences. In addition, three classical CNN
models and threeSiamese network models have been implemented and comparedto
demonstrate the superior performance and efficiency of theproposed approach.
Extensive experimental results show thegreat potential of using deep learning
approaches for RNAclassification.
- Abstract(参考訳): 過去10年で、非コードRNA(ncRNA)の発見が爆発しました。
これらのncRNAの分類は、その機能の決定に必須である。
本論文は、ncrna配列を分類するための新しい手法である深層畳み込みニューラルネットワーク(cnns)を提案する。
そこで本論文ではまず,RNA配列を画像に変換する非効率的な手法を提案する。
その結果、CNNベースの分類モデルにより効率よく解決できる画像分類プロブレムに、クラスサイズRNA配列を変換する。
本研究では, NCRNA配列に加えて, NCRNAのフォールディングポテンシャルも考慮し, NCRNA配列のRFAMデータベースからベンチマーク画像分類データセットを生成する。
さらに,従来の3つのCNNモデルと3つのSiameseネットワークモデルを実装し,提案手法の性能と効率を比較検討した。
広範な実験結果から,rna分類に深層学習法を用いる可能性が示唆された。
関連論文リスト
- Description Generation using Variational Auto-Encoders for precursor
microRNA [5.6710852973206105]
本稿では、Vari Auto-Encodersによる生成モデリングを利用して、pre-miRNAの潜伏因子を明らかにする新しいフレームワークを提案する。
フレームワークを分類に適用し、高い再構成と分類性能を得るとともに、正確な記述も開発する。
論文 参考訳(メタデータ) (2023-11-29T15:41:45Z) - scHyena: Foundation Model for Full-Length Single-Cell RNA-Seq Analysis
in Brain [46.39828178736219]
我々はこれらの課題に対処し、脳内のscRNA-seq解析の精度を高めるために設計された基礎モデルであるscHyenaを紹介する。
scHyenaは、線形適応層、遺伝子埋め込みによる位置エンコーディング、および双方向ハイエナ演算子を備えている。
これにより、生データから情報を失うことなく、全長の scRNA-seq データを処理できる。
論文 参考訳(メタデータ) (2023-10-04T10:30:08Z) - RDesign: Hierarchical Data-efficient Representation Learning for
Tertiary Structure-based RNA Design [65.41144149958208]
本研究では,データ駆動型RNA設計パイプラインを体系的に構築することを目的とする。
我々は、ベンチマークデータセットを作成し、複雑なRNA第三次構造を表現するための包括的な構造モデリングアプローチを設計した。
RNA設計プロセスを容易にするために,塩基対を持つ抽出二次構造体を事前知識として組み込んだ。
論文 参考訳(メタデータ) (2023-01-25T17:19:49Z) - E2Efold-3D: End-to-End Deep Learning Method for accurate de novo RNA 3D
Structure Prediction [46.38735421190187]
E2Efold-3Dというエンド・ツー・エンドの深層学習手法を開発し,テクスタイド・ノボRNA構造予測を精度良く行う。
完全微分可能なエンドツーエンドパイプライン、二次構造による自己蒸留、パラメータ効率のよいバックボーンの定式化など、データ不足を克服するために、いくつかの新しいコンポーネントが提案されている。
論文 参考訳(メタデータ) (2022-07-04T17:15:35Z) - Improving RNA Secondary Structure Design using Deep Reinforcement
Learning [69.63971634605797]
本稿では,RNA配列設計に強化学習を適用した新しいベンチマークを提案する。このベンチマークでは,目的関数を配列の二次構造における自由エネルギーとして定義する。
本稿では,これらのアルゴリズムに対して行うアブレーション解析の結果と,バッチ間でのアルゴリズムの性能を示すグラフを示す。
論文 参考訳(メタデータ) (2021-11-05T02:54:06Z) - TargetNet: Functional microRNA Target Prediction with Deep Neural
Networks [16.94702979550834]
本稿では,関数型ターゲット予測のための新しいディープラーニングベースのアルゴリズムであるTargetNetを紹介する。
提案モデルは, コンポーネント-CTSペアデータセットを用いて訓練し, 残基-mRNAペアデータセットを用いて評価した。
論文 参考訳(メタデータ) (2021-07-23T07:31:23Z) - Approximate kNN Classification for Biomedical Data [1.1852406625172218]
Single-cell RNA-seq (scRNA-seq) は、将来性はあるが重要な計算課題を持つDNAシークエンシング技術である。
scRNA-seqデータにおけるkNN分類のタスクに近似した近接探索アルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-12-03T18:30:43Z) - Classification of Noncoding RNA Elements Using Deep Convolutional Neural
Networks [16.650383406063956]
本稿では,非コーディングRNA(ncRNA)配列の分類に深層畳み込みニューラルネットワーク(CNN)を用いることを提案する。
まず、RNA配列を塩基対化確率を特徴付ける画像に変換する効率的な手法を提案する。
その結果、RNA配列の分類は画像分類問題に変換され、利用可能なCNNベースの分類モデルで効率的に解ける。
論文 参考訳(メタデータ) (2020-08-24T17:43:50Z) - Deep Belief Network based representation learning for lncRNA-disease
association prediction [0.0]
lncRNA-解離関連を正確に同定することは、lncRNAの機能と疾患機構を理解するのに不可欠である。
近年,生物学的ネットワーク解析において,ネットワーク特徴の潜在表現を学習するために,ディープ信頼ネットワーク (DBN) が用いられている。
本稿では,DBNをベースとしたlncRNA-解離関連予測モデル(DBNLDA)を提案する。
論文 参考訳(メタデータ) (2020-06-22T18:05:28Z) - RNA Secondary Structure Prediction By Learning Unrolled Algorithms [70.09461537906319]
本稿では,RNA二次構造予測のためのエンド・ツー・エンドのディープラーニングモデルであるE2Efoldを提案する。
E2Efoldの鍵となる考え方は、RNA塩基対行列を直接予測し、制約のないプログラミングを、制約を強制するための深いアーキテクチャのテンプレートとして使うことである。
ベンチマークデータセットに関する包括的な実験により、E2Efoldの優れた性能を実証する。
論文 参考訳(メタデータ) (2020-02-13T23:21:25Z) - MSE-Optimal Neural Network Initialization via Layer Fusion [68.72356718879428]
ディープニューラルネットワークは、さまざまな分類と推論タスクに対して最先端のパフォーマンスを達成する。
グラデーションと非進化性の組み合わせは、学習を新しい問題の影響を受けやすいものにする。
確率変数を用いて学習した深層ネットワークの近傍層を融合する手法を提案する。
論文 参考訳(メタデータ) (2020-01-28T18:25:15Z)
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。