論文の概要: Analysis of the first Genetic Engineering Attribution Challenge
- arxiv url: http://arxiv.org/abs/2110.11242v1
- Date: Thu, 14 Oct 2021 23:21:06 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-11 12:02:06.467583
- Title: Analysis of the first Genetic Engineering Attribution Challenge
- Title(参考訳): 最初の遺伝子工学的帰属問題の解析
- Authors: Oliver M. Crook, Kelsey Lane Warmbrod, Greg Lipstein, Christine Chung,
Christopher W. Bakerlee, T. Greg McKelvey Jr., Shelly R. Holland, Jacob L.
Swett, Kevin M. Esvelt, Ethan C. Alley, and William J. Bradshaw
- Abstract要約: 第1回遺伝子工学属性チャレンジの結果を報告する。
トップスコーリングチームは、エンジニアシーケンスの真のラボ・オブ・オリジンを特定することで、従来のモデルよりも劇的にパフォーマンスを向上しました。
あるチームは、非常に高速なニューラルネットワークのないアプローチで非常に高い精度を達成した。
- 参考スコア(独自算出の注目度): 0.11018458069795269
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The ability to identify the designer of engineered biological sequences --
termed genetic engineering attribution (GEA) -- would help ensure due credit
for biotechnological innovation, while holding designers accountable to the
communities they affect. Here, we present the results of the first Genetic
Engineering Attribution Challenge, a public data-science competition to advance
GEA. Top-scoring teams dramatically outperformed previous models at identifying
the true lab-of-origin of engineered sequences, including an increase in top-1
and top-10 accuracy of 10 percentage points. A simple ensemble of prizewinning
models further increased performance. New metrics, designed to assess a model's
ability to confidently exclude candidate labs, also showed major improvements,
especially for the ensemble. Most winning teams adopted CNN-based
machine-learning approaches; however, one team achieved very high accuracy with
an extremely fast neural-network-free approach. Future work, including future
competitions, should further explore a wide diversity of approaches for
bringing GEA technology into practical use.
- Abstract(参考訳): 遺伝子工学アトリビューション(gea:genetic engineering attribution, 遺伝子工学アトリビューション)と呼ばれる、遺伝子配列の設計者を特定する能力は、生物工学の革新に対する正当な信用を確保するのに役立つ。
本稿では,geaを推進するための公共データサイエンスコンペティションである第1回遺伝子工学アトリビューションチャレンジの結果を紹介する。
トップスケーリングチームは、10パーセンテージのtop-1とtop-10の精度向上を含む、エンジニアリングされたシーケンスの真のラボ・オブ・オリジンを識別する前のモデルを大きく上回った。
入賞モデルの単純なアンサンブルはさらに性能を高めた。
モデルが確実に実験室を除外できる能力を評価するために設計された新しい指標も、特にアンサンブルのために大きく改善された。
ほとんどの勝利チームはcnnベースの機械学習アプローチを採用したが、あるチームは非常に高速なニューラルネットワークフリーアプローチで非常に高い精度を達成した。
将来のコンペを含む今後の取り組みは、gea技術を実用化するための幅広いアプローチをさらに探究するべきである。
関連論文リスト
- Improving Biomedical Entity Linking with Retrieval-enhanced Learning [53.24726622142558]
$k$NN-BioELは、トレーニングコーパス全体から同様のインスタンスを予測のヒントとして参照する機能を備えたBioELモデルを提供する。
k$NN-BioELは、いくつかのデータセットで最先端のベースラインを上回ります。
論文 参考訳(メタデータ) (2023-12-15T14:04:23Z) - ProBio: A Protocol-guided Multimodal Dataset for Molecular Biology Lab [67.24684071577211]
研究結果を複製するという課題は、分子生物学の分野に重大な障害をもたらしている。
まず、この目的に向けた最初のステップとして、ProBioという名前の包括的なマルチモーダルデータセットをキュレートする。
次に、透明なソリューショントラッキングとマルチモーダルなアクション認識という2つの挑戦的なベンチマークを考案し、BioLab設定におけるアクティビティ理解に関連する特徴と難しさを強調した。
論文 参考訳(メタデータ) (2023-11-01T14:44:01Z) - Genetic Engineering Algorithm (GEA): An Efficient Metaheuristic
Algorithm for Solving Combinatorial Optimization Problems [1.8434042562191815]
遺伝的アルゴリズム(GA)は最適化問題の解法における効率性で知られている。
本稿では遺伝子工学の概念からインスピレーションを得るため,遺伝子工学アルゴリズム(GEA)と呼ばれる新しいメタヒューリスティックアルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-09-28T13:05:30Z) - Anticipating Technical Expertise and Capability Evolution in Research
Communities using Dynamic Graph Transformers [4.282091426377837]
我々は、コラボレーションパターン、著者の行動、そして異なる粒度の技術的能力進化を予測する新しい能力を開発する。
我々は動的グラフ変換器(DGT)ニューラルアーキテクチャを実装し、最先端のグラフニューラルネットワークモデルをプッシュする。
我々は、我々のDGTモデルがAIの0.26、0.73、0.53の平均相互ランク値、NNドメインの0.48、0.93、0.22のコラボレーション、パートナーシップ、専門パターンを予測することを実証した。
論文 参考訳(メタデータ) (2023-07-18T22:17:07Z) - The Future of Fundamental Science Led by Generative Closed-Loop
Artificial Intelligence [67.70415658080121]
機械学習とAIの最近の進歩は、技術革新、製品開発、社会全体を破壊している。
AIは、科学的な実践とモデル発見のための高品質なデータの大規模なデータセットへのアクセスがより困難であるため、基礎科学にはあまり貢献していない。
ここでは、科学的な発見に対するAI駆動、自動化、クローズドループアプローチの側面を調査し、調査する。
論文 参考訳(メタデータ) (2023-07-09T21:16:56Z) - ProcTHOR: Large-Scale Embodied AI Using Procedural Generation [55.485985317538194]
ProcTHORは、Embodied AI環境の手続き的生成のためのフレームワークである。
ナビゲーション、アレンジメント、アーム操作のための6つの具体化されたAIベンチマークに対して、最先端の結果を実証する。
論文 参考訳(メタデータ) (2022-06-14T17:09:35Z) - Deep metric learning improves lab of origin prediction of genetically
engineered plasmids [63.05016513788047]
遺伝工学の属性(GEA)は、配列-ラブの関連を作る能力である。
本稿では,計量学習に基づいて,最も可能性の高い実験室をランク付けする手法を提案する。
我々は、特定の実験室のプラスミド配列のキーシグネチャを抽出することができ、モデル出力の解釈可能な検査を可能にする。
論文 参考訳(メタデータ) (2021-11-24T16:29:03Z) - Guiding Generative Language Models for Data Augmentation in Few-Shot
Text Classification [59.698811329287174]
我々は、GPT-2を用いて、分類性能を向上させるために、人工訓練インスタンスを生成する。
実験の結果,少数のラベルインスタンスでGPT-2を微調整すると,一貫した分類精度が向上することがわかった。
論文 参考訳(メタデータ) (2021-11-17T12:10:03Z) - IE-GAN: An Improved Evolutionary Generative Adversarial Network Using a
New Fitness Function and a Generic Crossover Operator [20.100388977505002]
我々は、新しいフィットネス機能と汎用クロスオーバー演算子を導入するIE-GANと呼ばれる改良されたE-GANフレームワークを提案する。
特に、提案されたフィットネス機能は、個人の進化過程をより正確にモデル化することができる。
進化アルゴリズムで一般的に採用されているクロスオーバー演算子は、子孫が両親の優れた遺伝子発現を模倣することができる。
論文 参考訳(メタデータ) (2021-07-25T13:55:07Z) - DeepVar: An End-to-End Deep Learning Approach for Genomic Variant
Recognition in Biomedical Literature [11.394192882747184]
我々は,汎用NERアルゴリズムと低リソースアプリケーションとのギャップを埋める,エンド・ツー・エンドのディープラーニング手法を初めて提案する。
提案モデルでは,手作り機能や後処理ルールを使わずに,有望な性能が得られる。
論文 参考訳(メタデータ) (2020-06-05T04:39:34Z)
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。