論文の概要: Uncertainty Estimation in SARS-CoV-2 B-cell Epitope Prediction for
Vaccine Development
- arxiv url: http://arxiv.org/abs/2103.11214v1
- Date: Sat, 20 Mar 2021 17:10:49 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-25 11:07:45.224074
- Title: Uncertainty Estimation in SARS-CoV-2 B-cell Epitope Prediction for
Vaccine Development
- Title(参考訳): ワクチン開発のためのSARS-CoV-2 B細胞エピトープ予測の不確実性評価
- Authors: Bhargab Ghoshal, Biraja Ghoshal, Stephen Swift, Allan Tucker
- Abstract要約: 臨床医のテクノロジーに対する信頼を得るには、予測にどのくらいの信頼性があるかを知ることも不可欠です。
臨床医のテクノロジーに対する信頼を得るには、予測にどのくらいの信頼性があるかを知ることも不可欠です。
- 参考スコア(独自算出の注目度): 0.36130723421895944
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: B-cell epitopes play a key role in stimulating B-cells, triggering the
primary immune response which results in antibody production as well as the
establishment of long-term immunity in the form of memory cells. Consequently,
being able to accurately predict appropriate linear B-cell epitope regions
would pave the way for the development of new protein-based vaccines. Knowing
how much confidence there is in a prediction is also essential for gaining
clinicians' trust in the technology. In this article, we propose a calibrated
uncertainty estimation in deep learning to approximate variational Bayesian
inference using MC-DropWeights to predict epitope regions using the data from
the immune epitope database. Having applied this onto SARS-CoV-2, it can more
reliably predict B-cell epitopes than standard methods. This will be able to
identify safe and effective vaccine candidates against Covid-19.
- Abstract(参考訳): b細胞エピトープはb細胞を刺激する重要な役割を担い、一次免疫応答を誘発し、抗体産生と記憶細胞の形態における長期免疫の確立をもたらす。
したがって、適切な線形B細胞エピトープ領域を正確に予測できることは、新しいタンパク質ベースのワクチンの開発の道を開くことになる。
予測にどの程度の自信があるかを知ることは、臨床医のこの技術に対する信頼を得るためにも不可欠である。
本稿では,mc-dropweightsを用いた変分ベイズ推定を近似し,免疫エピトープデータベースのデータを用いてエピトープ領域を推定する深層学習における不確実性推定法を提案する。
これをSARS-CoV-2に適用することで、標準的な方法よりも確実にB細胞エピトープを予測することができる。
これにより、Covid-19に対する安全で効果的なワクチン候補を特定できる。
関連論文リスト
- BeeTLe: A Framework for Linear B-Cell Epitope Prediction and
Classification [0.43512163406551996]
本稿では, 線形B細胞予測と抗体型特異的分類のための, 深層学習に基づく新しいフレームワークを提案する。
そこで本研究では, モデルが抗体の表現を学習するのを助けるために, 固有分解に基づくアミノ酸符号化法を提案する。
最大の公開データベースからキュレートしたデータに対する実験結果から,提案手法の有効性が示された。
論文 参考訳(メタデータ) (2023-09-05T09:18:29Z) - Dense Feature Memory Augmented Transformers for COVID-19 Vaccination
Search Classification [60.49594822215981]
本稿では,新型コロナウイルスワクチン関連検索クエリの分類モデルを提案する。
本稿では,モデルが対応可能なメモリトークンとして,高密度特徴を考慮した新しい手法を提案する。
この新しいモデリング手法により,Vaccine Search Insights (VSI) タスクを大幅に改善できることを示す。
論文 参考訳(メタデータ) (2022-12-16T13:57:41Z) - Improved proteasomal cleavage prediction with positive-unlabeled
learning [0.9023847175654603]
本稿では,拡張データセットと正の未ラベル学習のソリッド理論スペクトロメトリを用いて学習した新しい予測器を提案する。
改良された予測能力により、より正確なワクチン開発が可能になる。
論文 参考訳(メタデータ) (2022-09-14T11:29:15Z) - A feasibility study proposal of the predictive model to enable the
prediction of population susceptibility to COVID-19 by analysis of vaccine
utilization for advising deployment of a booster dose [0.0]
SARS-CoV-2 B1.1.529株またはOmicron株が世界中に分布する。
間もなく終わらないことや、より伝染的で有害な変種が現れるまで、時間との戦いになることを懸念する。
ウイルスの増殖を防ぐ最も有望なアプローチの1つは、持続的な高予防接種効果を維持することである。
論文 参考訳(メタデータ) (2022-04-25T16:05:59Z) - Modeling the effect of the vaccination campaign on the Covid-19 pandemic [0.0]
予防接種キャンペーン中にコビッドウイルスの流行を予測できる数学的モデルであるSAIVRを紹介した。
このモデルは、半教師付き機械学習手法を用いて推定されるいくつかのパラメータと初期条件を含む。
これらの結果から, 日中感染率, ワクチン有効性, および, 広範囲の社会的ワクチン依存度, デンタルレベルにおいて, パンデミックの経時的変化について広範な研究を行った。
論文 参考訳(メタデータ) (2021-08-27T19:12:13Z) - A k-mer Based Approach for SARS-CoV-2 Variant Identification [55.78588835407174]
アミノ酸の順序を保つことで,分類器の精度が向上することを示す。
また,アメリカ疾病予防管理センター(CDC)が報告した,変異の同定に重要な役割を担っているアミノ酸の重要性も示した。
論文 参考訳(メタデータ) (2021-08-07T15:08:15Z) - Incorporating Expert Guidance in Epidemic Forecasting [79.91855362871496]
AIセーフティによるセルドニアン最適化フレームワークを活用した新しいアプローチを提案します。
円滑性と誤りの地域整合性という2種類のガイダンスについて検討する。
その定式化に成功することにより、望ましくない行動が起こる確率を拘束できるだけでなく、テストデータのRMSEを最大17%削減することができることを示しています。
論文 参考訳(メタデータ) (2020-12-24T06:21:53Z) - STELAR: Spatio-temporal Tensor Factorization with Latent Epidemiological
Regularization [76.57716281104938]
我々は,多くの地域の流行傾向を同時に予測するテンソル法を開発した。
stelarは離散時間差分方程式のシステムを通じて潜在時間正規化を組み込むことで長期予測を可能にする。
我々は、カウンティレベルと州レベルのCOVID-19データの両方を用いて実験を行い、このモデルが流行の興味深い潜伏パターンを識別できることを示します。
論文 参考訳(メタデータ) (2020-12-08T21:21:47Z) - UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced
Data [81.00385374948125]
我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。
UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。
非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。
UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
論文 参考訳(メタデータ) (2020-10-22T02:28:11Z) - Unlabelled Data Improves Bayesian Uncertainty Calibration under
Covariate Shift [100.52588638477862]
後続正則化に基づく近似ベイズ推定法を開発した。
前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
論文 参考訳(メタデータ) (2020-06-26T13:50:19Z) - Simulation of Covid-19 epidemic evolution: are compartmental models
really predictive? [0.0]
本稿では,無症候性および死亡個体群に富んだSIR疫学モデルが,流行の進展を確実に予測できるかどうかを論じる。
粒子群最適化(PSO)に基づく機械学習手法を提案する。
予測における散乱の分析は、モデル予測がトレーニングに使用されるデータセットのサイズに非常に敏感であり、さらにデータが必要であることを示している。
論文 参考訳(メタデータ) (2020-04-14T08:42:11Z)
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。