論文の概要: Learning multi-scale functional representations of proteins from single-cell microscopy data

• arxiv url: http://arxiv.org/abs/2205.11676v1
• Date: Tue, 24 May 2022 00:00:07 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-25 13:51:57.511588
• Title: Learning multi-scale functional representations of proteins from single-cell microscopy data
• Title（参考訳）: 単細胞顕微鏡によるタンパク質の多スケール機能表現の学習
• Authors: Anastasia Razdaibiedina and Alexander Brechalov
• Abstract要約: 局所化分類に基づいて訓練された単純な畳み込みネットワークは、多様な機能情報をカプセル化したタンパク質表現を学習できることを示す。 また,生物機能の異なるスケールでタンパク質表現の質を評価するためのロバストな評価戦略を提案する。
• 参考スコア（独自算出の注目度）: 77.34726150561087
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Protein function is inherently linked to its localization within the cell, and fluorescent microscopy data is an indispensable resource for learning representations of proteins. Despite major developments in molecular representation learning, extracting functional information from biological images remains a non-trivial computational task. Current state-of-the-art approaches use autoencoder models to learn high-quality features by reconstructing images. However, such methods are prone to capturing noise and imaging artifacts. In this work, we revisit deep learning models used for classifying major subcellular localizations, and evaluate representations extracted from their final layers. We show that simple convolutional networks trained on localization classification can learn protein representations that encapsulate diverse functional information, and significantly outperform autoencoder-based models. We also propose a robust evaluation strategy to assess quality of protein representations across different scales of biological function.
• Abstract（参考訳）: タンパク質機能は本質的に細胞内の局在と結びついており、蛍光顕微鏡データはタンパク質の表現を学習するのに欠かせない資源である。 分子表現学習の大きな発展にもかかわらず、生物学的画像から機能的情報を抽出することは、非自明な計算課題である。 現在の最先端のアプローチでは、オートエンコーダモデルを使用して画像の再構成によって高品質な特徴を学習している。 しかし、そのような手法はノイズや画像のアーティファクトを捉えやすい。 本研究では,主要な細胞内局在の分類に使用される深層学習モデルを再検討し,最終層から抽出した表現を評価する。 ローカライズ分類を訓練した単純な畳み込みネットワークは,多様な機能情報をカプセル化するタンパク質表現を学習し,オートエンコーダベースのモデルを大幅に上回っている。 また,生物機能の異なるスケールでタンパク質表現の質を評価するためのロバストな評価戦略を提案する。

関連論文リスト

• Neural Echos: Depthwise Convolutional Filters Replicate Biological Receptive Fields [56.69755544814834]
  哺乳類網膜で観察される生体受容野を,深部核が効果的に複製していることを示す証拠を提示する。 生体受容の分野からインスピレーションを得る手法を提案する。
  論文  参考訳（メタデータ） (2024-01-18T18:06:22Z)
• Optimizations of Autoencoders for Analysis and Classification of Microscopic In Situ Hybridization Images [68.8204255655161]
  同様のレベルの遺伝子発現を持つ顕微鏡画像の領域を検出・分類するためのディープラーニングフレームワークを提案する。 分析するデータには教師なし学習モデルが必要です。
  論文  参考訳（メタデータ） (2023-04-19T13:45:28Z)
• Deep Learning Methods for Protein Family Classification on PDB Sequencing Data [0.0]
  本稿では,新たな双方向LSTMや畳み込みモデルなどのディープラーニングフレームワークの性能を,広く利用可能なシークエンシングデータ上で実証し比較する。 我々のディープラーニングモデルは従来の機械学習手法よりも優れた性能を示し、畳み込みアーキテクチャは最も印象的な推論性能を提供する。
  論文  参考訳（メタデータ） (2022-07-14T06:11:32Z)
• Structure-aware Protein Self-supervised Learning [50.04673179816619]
  本稿では,タンパク質の構造情報を取得するための構造認識型タンパク質自己教師学習法を提案する。 特に、タンパク質構造情報を保存するために、よく設計されたグラフニューラルネットワーク(GNN)モデルを事前訓練する。 タンパク質言語モデルにおける逐次情報と特別に設計されたGNNモデルにおける構造情報との関係を,新しい擬似二段階最適化手法を用いて同定する。
  論文  参考訳（メタデータ） (2022-04-06T02:18:41Z)
• Multi-Scale Representation Learning on Proteins [78.31410227443102]
  本稿では,タンパク質HoloProtのマルチスケールグラフ構築について紹介する。 表面はタンパク質の粗い詳細を捉え、配列は一次成分であり、構造はより微細な詳細を捉えている。 グラフエンコーダは、各レベルが下のレベル(s)からそのレベルでのグラフとエンコーディングを統合することで、マルチスケール表現を学習する。
  論文  参考訳（メタデータ） (2022-04-04T08:29:17Z)
• Generation of microbial colonies dataset with deep learning style transfer [0.0]
  深層学習モデルの学習に使用できるペトリ料理の微生物学的画像の合成データセットを作成するための戦略を導入する。 本手法は, 5種類の微生物の局在, セグメンテーション, 分類が可能なニューラルネットワークモデルのトレーニングに使用できる, リアルな画像のデータセットを合成できることを示す。
  論文  参考訳（メタデータ） (2021-11-06T03:11:01Z)
• A new method for binary classification of proteins with Machine Learning [0.0]
  本研究では,ディープラーニング手法を用いてタンパク質構造を分類する手法を提案する。 私たちの人工知能は、タンパク質データバンク(PDB)データベースから外挿された複雑な生体分子構造を認識し、イメージとして再処理するように訓練されています。 この目的のために、これらの画像から重要な特徴を抽出し、分子を正しく分類するために、InceptionResNetV2やInceptionV3のような事前訓練された畳み込みニューラルネットワークを用いて様々な試験が行われた。
  論文  参考訳（メタデータ） (2021-11-03T01:58:34Z)
• From augmented microscopy to the topological transformer: a new approach in cell image analysis for Alzheimer's research [0.0]
  細胞画像解析は、細胞機能を抑制するA$beta$タンパク質の存在を検出するために、アルツハイマーの研究において重要である。 Unetは,マルチクラスセマンティックスセグメンテーションの性能を比較することで,拡張顕微鏡に最も適していることがわかった。 我々は,Unetモデルを用いて,光電場画像中の原子核を捕捉する拡張顕微鏡法を開発し,入力画像を位相情報列に変換する。
  論文  参考訳（メタデータ） (2021-08-03T16:59:33Z)
• HAMIL: Hierarchical Aggregation-Based Multi-Instance Learning for Microscopy Image Classification [4.566276053984716]
  マルチインスタンス学習はコンピュータビジョンタスク、特にバイオメディカル画像処理において一般的である。 本研究では,マルチインスタンス学習のための階層型アグリゲーションネットワークhamilを提案する。 階層的なアグリゲーションプロトコルは、定義された順序で機能融合を可能にし、単純な畳み込みアグリゲーションユニットは効率的で柔軟なアーキテクチャをもたらす。
  論文  参考訳（メタデータ） (2021-03-17T16:34:08Z)
• Towards an Automatic Analysis of CHO-K1 Suspension Growth in Microfluidic Single-cell Cultivation [63.94623495501023]
  我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。 具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
  論文  参考訳（メタデータ） (2020-10-20T08:36:51Z)

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。