論文の概要: Identification of feasible pathway information for c-di-GMP binding proteins in cellulose production

• arxiv url: http://arxiv.org/abs/2204.12526v1
• Date: Tue, 26 Apr 2022 18:22:13 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-29 03:12:27.793823
• Title: Identification of feasible pathway information for c-di-GMP binding proteins in cellulose production
• Title（参考訳）: セルロース生産におけるc-di-gmp結合タンパク質の経路情報の同定
• Authors: Syeda Sakira Hassan, Rahul Mangayil, Tommi Aho, Olli Yli-Harja, Matti Karp
• Abstract要約: 我々は機械学習を用いてc-di-GMPシグナル伝達タンパク質の重要な経路を同定する。 このデータセットは、12の経路と1024の細菌ゲノムに対する5つの必須c-di-GMP結合ドメインからの遺伝子数を含んでいる。
• 参考スコア（独自算出の注目度）: 0.3149883354098941
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper, we utilize a machine learning approach to identify the significant pathways for c-di-GMP signaling proteins. The dataset involves gene counts from 12 pathways and 5 essential c-di-GMP binding domains for 1024 bacterial genomes. Two novel approaches, Least absolute shrinkage and selection operator (Lasso) and Random forests, have been applied for analyzing and modeling the dataset. Both approaches show that bacterial chemotaxis is the most essential pathway for c-di-GMP encoding domains. Though popular for feature selection, the strong regularization of Lasso method fails to associate any pathway to MshE domain. Results from the analysis may help to understand and emphasize the supporting pathways involved in bacterial cellulose production. These findings demonstrate the need for a chassis to restrict the behavior or functionality by deactivating the selective pathways in cellulose production.
• Abstract（参考訳）: 本稿では機械学習を用いてc-di-GMPシグナル伝達タンパク質の重要な経路を同定する。 このデータセットは、12の経路と1024の細菌ゲノムに対する5つの必須c-di-GMP結合ドメインからの遺伝子数を含んでいる。 2つの新しいアプローチ、Last absolute shrinkage and selection operator (Lasso) とRandom forests がデータセットの解析とモデリングに応用されている。 どちらのアプローチも、細菌の遊走性はc-di-GMPエンコーディングドメインにとって最も重要な経路であることを示している。 特徴選択には人気があるが、ラッソ法の強い正規化は、MshEドメインにいかなる経路も関連付けることができない。 分析の結果は、細菌のセルロース生産にかかわる経路を理解し強調するのに役立つかもしれない。 これらの結果から, セルロース生産における選択的経路を阻害することにより, 挙動や機能性を制限するシャシーの必要性が示された。

関連論文リスト

• Cell as Point: One-Stage Framework for Efficient Cell Tracking [54.19259129722988]
  本稿では,一段階の効率的なセルトラッキングを実現するために,新しいエンドツーエンドCAPフレームワークを提案する。 CAPは検出またはセグメンテーション段階を放棄し、細胞点の軌跡間の相関を利用して細胞を共同で追跡することでプロセスを単純化する。 Capは強力なセルトラッキング性能を示し、既存の方法の10倍から55倍の効率を示している。
  論文  参考訳（メタデータ） (2024-11-22T10:16:35Z)
• A Bioinformatic Approach Validated Utilizing Machine Learning Algorithms to Identify Relevant Biomarkers and Crucial Pathways in Gallbladder Cancer [2.3087284629747766]
  胆嚢癌(GBC)は胆道系腫瘍の中で最も多い疾患である。 GBCにおけるバイオマーカーの役割について最近の研究はほとんどない。 バイオマーカーの同定には機械学習(ML)とバイオインフォマティクス(バイオインフォマティクス)を用いた。
  論文  参考訳（メタデータ） (2024-10-18T12:51:19Z)
• Towards Multi-modality Fusion and Prototype-based Feature Refinement for Clinically Significant Prostate Cancer Classification in Transrectal Ultrasound [4.662744612095781]
  臨床的に有意な前立腺癌(csPCa)分類のための多モードTRUSを用いた新しい学習フレームワークを提案する。 提案フレームワークは,Bモードとせん断波エラストグラフィ(SWE)から特徴を抽出するために,2つの別々の3D ResNet-50を用いている。 このフレームワークの性能は512のTRUSビデオと生検で得られた前立腺癌からなる大規模データセットで評価される。
  論文  参考訳（メタデータ） (2024-06-20T07:45:01Z)
• MMIL: A novel algorithm for disease associated cell type discovery [58.044870442206914]
  単一細胞データセットは、しばしば個々の細胞ラベルを欠いているため、病気に関連する細胞を特定することは困難である。 セルレベルの分類器の訓練と校正を可能にする予測手法であるMixture Modeling for Multiple Learning Instance (MMIL)を導入する。
  論文  参考訳（メタデータ） (2024-06-12T15:22:56Z)
• ProLLM: Protein Chain-of-Thoughts Enhanced LLM for Protein-Protein Interaction Prediction [54.132290875513405]
  タンパク質-タンパク質相互作用(PPI)の予測は、生物学的機能や疾患を理解する上で重要である。 PPI予測に対する従来の機械学習アプローチは、主に直接的な物理的相互作用に焦点を当てていた。 PPIに適したLLMを用いた新しいフレームワークProLLMを提案する。
  論文  参考訳（メタデータ） (2024-03-30T05:32:42Z)
• Single-Cell Deep Clustering Method Assisted by Exogenous Gene Information: A Novel Approach to Identifying Cell Types [50.55583697209676]
  我々は,細胞間のトポロジ的特徴を効率的に捉えるために,注目度の高いグラフオートエンコーダを開発した。 クラスタリング過程において,両情報の集合を統合し,細胞と遺伝子の特徴を再構成し,識別的表現を生成する。 本研究は、細胞の特徴と分布に関する知見を高め、疾患の早期診断と治療の基礎となる。
  論文  参考訳（メタデータ） (2023-11-28T09:14:55Z)
• Functional Integrative Bayesian Analysis of High-dimensional Multiplatform Genomic Data [0.8029049649310213]
  我々は高次元多プラットフォームゲノミクスデータ(fiBAG)の関数積分ベイズ解析というフレームワークを提案する。 fiBAGは、プロテオゲノムバイオマーカーの上流での機能的証拠の同時同定を可能にする。 本研究は,14種類のがんのパン・カンサー解析を用いて,fiBAGの収益性を示す。
  論文  参考訳（メタデータ） (2022-12-29T03:31:45Z)
• Designing Biological Sequences via Meta-Reinforcement Learning and Bayesian Optimization [68.28697120944116]
  メタ強化学習を用いて自己回帰生成モデルを訓練し、選択のための有望なシーケンスを提案する。 我々は,データのサブセットのサンプリングによって誘導されるMDPの分布に対する最適ポリシーを求める問題として,この問題を提起する。 このようなアンサンブルに対するメタラーニングは,報酬の過小評価に対して頑健であり,競争的な結果が得られることを示す。
  論文  参考訳（メタデータ） (2022-09-13T18:37:27Z)
• Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based Sparse PCA Network [93.22587316229954]
  ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。 我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
  論文  参考訳（メタデータ） (2021-10-27T19:28:36Z)
• Primary Tumor and Inter-Organ Augmentations for Supervised Lymph Node Colon Adenocarcinoma Metastasis Detection [8.69535649683089]
  ラベル付きデータの不足は、病理組織学応用のためのディープラーニングベースのモデルを開発する上で、大きなボトルネックとなる。 本研究は,対象領域の限定的あるいは全く表現されていない場合の大腸癌転移検出のためのトレーニングデータの拡張方法について検討する。
  論文  参考訳（メタデータ） (2021-09-17T17:31:25Z)
• A general kernel boosting framework integrating pathways for predictive modeling based on genomic data [5.763710641111974]
  本稿では,パスウェイを基盤としたカーネルブースティング(Kernel Boosting, PKB)を提案する。 予測アルゴリズムは, 経路からカーネル関数空間を構築し, ブースティング手順のベースラーナとして用いることにより, 経路知識を組み込む。
  論文  参考訳（メタデータ） (2020-08-26T05:54:23Z)

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。