論文の概要: DeepECMP: Predicting Extracellular Matrix Proteins using Deep Learning

• arxiv url: http://arxiv.org/abs/2110.03689v1
• Date: Thu, 7 Oct 2021 16:17:33 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-12 09:18:59.038562
• Title: DeepECMP: Predicting Extracellular Matrix Proteins using Deep Learning
• Title（参考訳）: DeepECMP:ディープラーニングによる細胞外マトリックスタンパク質の予測
• Authors: Mohamed Ghafoor, Anh Nguyen
• Abstract要約: DeepECMPの性能は83.6%で、いくつかのアルゴリズムより優れていた。 本稿では,EMM予測に深層学習を活用することに着目した最初の論文である。
• 参考スコア（独自算出の注目度）: 16.482574852876535
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Introduction: The extracellular matrix (ECM) is a networkof proteins and carbohydrates that has a structural and bio-chemical function. The ECM plays an important role in dif-ferentiation, migration and signaling. Several studies havepredicted ECM proteins using machine learning algorithmssuch as Random Forests, K-nearest neighbours and supportvector machines but is yet to be explored using deep learn-ing. Method: DeepECMP was developed using several previ-ously used ECM datasets, asymmetric undersampling andan ensemble of 11 feed-forward neural networks. Results: The performance of DeepECMP was 83.6% bal-anced accuracy which outperformed several algorithms. Inaddition, the pipeline of DeepECMP has been shown to behighly efficient. Conclusion: This paper is the first to focus on utilizingdeep learning for ECM prediction. Several limitations areovercome by DeepECMP such as computational expense,availability to the public and usability outside of the humanspecies
• Abstract（参考訳）: 導入:細胞外マトリックス(ECM)は構造的および生化学的機能を有するタンパク質と炭水化物のネットワークである。 ECMは、ディフフェレントレーション、マイグレーション、シグナル伝達において重要な役割を果たしている。 ランダムフォレスト、k-ネアレストの隣人、サポートベクターマシンなどの機械学習アルゴリズムを使用してecmタンパク質を予測している研究もあるが、深層学習を用いてはまだ検討されていない。 方法:deepecmpは11個のフィードフォワードニューラルネットワークの非対称アンサンブルとアンサンブルである、事前使用済みのecmデータセットを使用して開発された。 結果: DeepECMPの性能は83.6%で、いくつかのアルゴリズムより優れていた。 さらに、DeepECMPのパイプラインは高効率であることが示されている。 結論:本稿は,ecm予測における深層学習の活用に最初に焦点をあてた。 DeepECMPによるいくつかの制限、例えば計算費用、一般への利用可能性、およびヒト種以外のユーザビリティなどである。

関連論文リスト

• EEG_GLT-Net: Optimising EEG Graphs for Real-time Motor Imagery Signals Classification [7.9035081192335115]
  グラフニューラルネットワーク(GCN)は、脳波運動画像信号の分類にますます応用されている。 Pearson Coefficient correlation (PCC) を用いたリアルタイム脳波MI信号分類の最近の進歩 本稿では,EEGチャネルの隣接行列を構成する革新的な手法であるEEG_GLT(EEG Graph Lottery Ticket)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-04-17T05:16:12Z)
• MAPE-PPI: Towards Effective and Efficient Protein-Protein Interaction Prediction via Microenvironment-Aware Protein Embedding [82.31506767274841]
  タンパク質-プロテイン相互作用(PPI)は、様々な生物学的過程において基本的であり、生命活動において重要な役割を果たしている。 MPAE-PPIは、十分に大きな「語彙」を介して、マイクロ環境を化学的に意味のある離散コードに符号化する MPAE-PPIは、数百万のPPIでPPI予測にスケールでき、有効性と計算効率のトレードオフが優れている。
  論文  参考訳（メタデータ） (2024-02-22T09:04:41Z)
• Efficient Prediction of Peptide Self-assembly through Sequential and Graphical Encoding [57.89530563948755]
  この研究は、高度なディープラーニングモデルを用いたペプチドエンコーディングのベンチマーク分析を提供する。 等電点や水和自由エネルギーなど、幅広いペプチド関連予測のガイドとして機能する。
  論文  参考訳（メタデータ） (2023-07-17T00:43:33Z)
• SEMPAI: a Self-Enhancing Multi-Photon Artificial Intelligence for prior-informed assessment of muscle function and pathology [48.54269377408277]
  本稿では,仮説駆動型先行処理をデータ駆動型ディープラーニングアプローチに統合した,SEMPAI(Self-Enhancing Multi-Photon Artificial Intelligence)を紹介する。 SEMPAIは、小さなデータセットの予測を可能にするために、いくつかのタスクを共同で学習する。 SEMPAIは、少ないデータを含む7つの予測タスクのうち6つにおいて、最先端のバイオマーカーよりも優れています。
  論文  参考訳（メタデータ） (2022-10-28T17:03:04Z)
• Sparse high-dimensional linear regression with a partitioned empirical Bayes ECM algorithm [62.997667081978825]
  疎高次元線形回帰に対する計算効率が高く強力なベイズ的手法を提案する。 パラメータに関する最小の事前仮定は、プラグイン経験的ベイズ推定(英語版)を用いて用いられる。 提案手法はRパッケージプローブに実装されている。
  論文  参考訳（メタデータ） (2022-09-16T19:15:50Z)
• Unitary Approximate Message Passing for Matrix Factorization [90.84906091118084]
  行列分解 (MF) を一定の制約で考慮し, 様々な分野の応用を見いだす。 我々は,効率の良いメッセージパッシング実装であるUAMPMFを用いて,MFに対するベイズ的アプローチを開発する。 UAMPMFは、回復精度、ロバスト性、計算複雑性の観点から、最先端のアルゴリズムを著しく上回ることを示す。
  論文  参考訳（メタデータ） (2022-07-31T12:09:32Z)
• EBM-Fold: Fully-Differentiable Protein Folding Powered by Energy-based Models [53.17320541056843]
  本研究では,データ駆動型生成ネットワークを用いたタンパク質構造最適化手法を提案する。 EBM-Foldアプローチは,従来のロゼッタ構造最適化ルーチンと比較して,高品質なデコイを効率よく生成できる。
  論文  参考訳（メタデータ） (2021-05-11T03:40:29Z)
• ConCrete MAP: Learning a Probabilistic Relaxation of Discrete Variables for Soft Estimation with Low Complexity [9.62543698736491]
  ConCrete MAP Detection (CMD)は、大きな逆線形問題に対する反復検出アルゴリズムである。 我々は、SotAと比較して、CMDが有望なパフォーマンス複雑性のトレードオフを特徴付けることを示す。 特に,CMDのソフト出力がデコーダに信頼性を持つことを示す。
  論文  参考訳（メタデータ） (2021-02-25T09:54:25Z)
• Proximal Policy Optimization via Enhanced Exploration Efficiency [6.2501569560329555]
  近似ポリシー最適化(PPO)アルゴリズムは、優れた性能を持つ深層強化学習アルゴリズムである。 本稿では,PPOアルゴリズムにおける元のガウス的行動探索機構の仮定を分析し,探索能力が性能に与える影響を明らかにする。 複雑な環境で使用可能な固有探査モジュール(IEM-PPO)を提案する。
  論文  参考訳（メタデータ） (2020-11-11T03:03:32Z)

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。