論文の概要: Characterizing the organizational diversity of protein interaction
networks across three domains of life
- arxiv url: http://arxiv.org/abs/2203.00999v1
- Date: Wed, 2 Mar 2022 10:10:20 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-03 16:09:00.235833
- Title: Characterizing the organizational diversity of protein interaction
networks across three domains of life
- Title（参考訳）: 生命の3領域にわたるタンパク質相互作用ネットワークの組織的多様性の特徴
- Authors: Vikram Singh and Vikram Singh
- Abstract要約: 生命の3つの領域すべてを包含する16の系統に属する4,738のタンパク質相互作用ネットワーク(PIN)について検討した。
本手法は, ネットワークノードの位置情報を利用して, 2-5 の大きさの誘導グラフレットに現れる自己正則軌道の周波数を適切に正規化することによって, ネットワークノードの位置情報を利用する。
ディープニューラルネットワークは、差分表現された軌道上で訓練され、予測精度は85%となった。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Networks exist everywhere in nature from the physical, chemical, biological
or social worlds to the designed spheres. To explore, if there exists some
higher-order organization that can be exploited to distinguish different types
of networks, we study 4,738 protein interaction networks (PINs) belonging to 16
phyla encompassing all the three domains of life. Our method utilizes
positional information of a network's nodes by appropriately normalizing the
frequency of automorphic orbits appearing in the induced graphlets of sizes
2-5. There are some evolutionary constraints imposed on the network's topology
which shape its local architecture as well as its behavior. According to these
rules (features), each type of network occupies its respective position within
a common network space. A deep neural network was trained on differentially
expressed orbits resulting in a prediction accuracy of 85%. Our results
indicate that nature has, probably, allocated a specific band of design space
to various superfamilies of PINs.
- Abstract（参考訳）: ネットワークは物理的、化学的、生物学的、社会的な世界からデザインされた球体まで、あらゆる場所で存在している。
異なるタイプのネットワークを識別するために活用できる高次組織が存在する場合、生命の3つの領域全てを包含する16の系統に属する4,738のタンパク質相互作用ネットワーク(PIN)を探索する。
提案手法は,ネットワークノードの位置情報を利用して,2-5の大きさの誘導グラフレットに現れる自己正則軌道の周波数を適切に正規化する。
ネットワークのトポロジーには、そのローカルアーキテクチャとその振る舞いを形作るいくつかの進化的制約が課されている。
これらの規則(機能)により、ネットワークの種類は共通のネットワーク空間内のそれぞれの位置を占める。
ディープニューラルネットワークは、差分表現された軌道上で訓練され、予測精度は85%となった。
以上より,自然界はピンのスーパーファミリに特定のデザイン空間を割り当てている可能性が示唆された。
関連論文リスト
- Protein pathways as a catalyst to directed evolution of the topology of artificial neural networks [2.015592185785847]
我々は,タンパク質ネットワーク(PN)の構造的特性,相互作用,ダイナミクスを基盤とした,新しいバイオインスパイアされた設計に向けて,ANN(Artificial Neural Networks)の進化に向けたパラダイムシフトを提案する。
1) 何百万年もの進化のおかげで、DNA内のタンパク質の相互作用を効率的にコードし、APNをシリコンDNAに変換する方法、(2) 自然が私たちの遺伝子にネットワークを構築する方法から学び、EA進化を通じて新しい、よりスマートなネットワークを設計できるようにする方法、そして
論文 参考訳（メタデータ） (2024-06-07T13:35:08Z) - A rank decomposition for the topological classification of neural representations [0.0]
この研究では、ニューラルネットワークが連続的なピースワイズアフィンマップと等価であるという事実を活用している。
多様体 $mathcalM$ と部分集合 $A$ の商のホモロジー群を研究し、これらの空間上のいくつかの極小性質を仮定する。
ランダムに狭いネットワークでは、データ多様体の(コ)ホモロジー群が変化する領域が存在することを示す。
論文 参考訳（メタデータ） (2024-04-30T17:01:20Z) - Unveiling the Unseen: Identifiable Clusters in Trained Depthwise
Convolutional Kernels [56.69755544814834]
深部分離型畳み込みニューラルネットワーク(DS-CNN)の最近の進歩は、新しいアーキテクチャをもたらす。
本稿では,DS-CNNアーキテクチャのもう一つの顕著な特性を明らかにする。
論文 参考訳（メタデータ） (2024-01-25T19:05:53Z) - Bridging Phylogeny and Taxonomy with Protein-protein Interaction
Networks [0.0]
タンパク質-タンパク質相互作用(PPI)ネットワークは、生物の代謝と生存に不可欠な複雑な生物学的反応の概要を提供する。
我々は,PPIネットワークから情報を収集することで,生命樹・分類学の理解を深めることを目指している。
論文 参考訳（メタデータ） (2023-10-26T05:32:33Z) - PhyloGFN: Phylogenetic inference with generative flow networks [57.104166650526416]
本稿では,系統学における2つの中核的問題に対処するための生成フローネットワーク(GFlowNets)の枠組みを紹介する。
GFlowNetsは複雑な構造をサンプリングするのに適しているため、木トポロジー上の多重モード後部分布を探索し、サンプリングするのに自然な選択である。
我々は, 実際のベンチマークデータセット上で, 様々な, 高品質な進化仮説を生成できることを実証した。
論文 参考訳（メタデータ） (2023-10-12T23:46:08Z) - DPPIN: A Biological Dataset of Dynamic Protein-Protein Interaction
Networks [40.490606259328686]
我々は動的タンパク質-タンパク質相互作用ネットワーク(DPPIN)の新しい生物学的データセットを生成する
DPPINは、酵母細胞の12の動的タンパク質レベルの相互作用ネットワークから構成される。
我々は、動的局所クラスタリング、動的スペクトルクラスタリング、動的サブグラフマッチング、動的ノード分類、動的グラフ分類実験を設計する。
論文 参考訳（メタデータ） (2021-07-05T17:52:55Z) - Epigenetic evolution of deep convolutional models [81.21462458089142]
我々は、より深い畳み込みモデルを進化させるために、これまで提案されていた神経進化の枠組みを構築した。
異なる形状と大きさのカーネルを同一層内に共存させる畳み込み層配置を提案する。
提案したレイアウトにより、畳み込み層内の個々のカーネルのサイズと形状を、対応する新しい突然変異演算子で進化させることができる。
論文 参考訳（メタデータ） (2021-04-12T12:45:16Z) - Complexity-based speciation and genotype representation for
neuroevolution [81.21462458089142]
本稿では、進化するネットワークを隠されたニューロンの数に基づいて種に分類する神経進化の種分化原理を提案する。
提案された種分化原理は、種および生態系全体における多様性の促進と保存を目的として設計されたいくつかの技術で採用されている。
論文 参考訳（メタデータ） (2020-10-11T06:26:56Z) - MDP Homomorphic Networks: Group Symmetries in Reinforcement Learning [90.20563679417567]
本稿では,深層強化学習のためのMDP準同型ネットワークを提案する。
MDP準同型ネットワーク(英: MDP homomorphic network)は、MDPの結合状態-作用空間における対称性の下で不変なニューラルネットワークである。
このようなネットワークは,グリッドワールドであるCartPoleとPongの非構造化ネットワークよりも高速に収束することを示す。
論文 参考訳（メタデータ） (2020-06-30T15:38:37Z) - Neural Anisotropy Directions [63.627760598441796]
我々は、アーキテクチャの方向性誘導バイアスをカプセル化するベクトルとして、神経異方性方向(NAD)を定義する。
CIFAR-10データセットでは、NADはCNNが異なるクラス間で識別するために使用する特徴を特徴付ける。
論文 参考訳（メタデータ） (2020-06-17T08:36:28Z)
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。