論文の概要: EvoVGM: A Deep Variational Generative Model for Evolutionary Parameter
Estimation
- arxiv url: http://arxiv.org/abs/2205.13034v1
- Date: Wed, 25 May 2022 20:08:10 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-27 15:02:31.871760
- Title: EvoVGM: A Deep Variational Generative Model for Evolutionary Parameter
Estimation
- Title(参考訳): EvoVGM:進化的パラメータ推定のための深部変分生成モデル
- Authors: Amine M. Remita and Abdoulaye Banir\'e Diallo
- Abstract要約: 本研究では,局所生物学的進化パラメータの真後部を共同で近似した深部変分ベイズ生成モデルを提案する。
本研究では,いくつかの進化シナリオと実際のウイルス配列アライメントをシミュレートした合成配列アライメントにおける手法の一貫性と有効性を示す。
- 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: Most evolutionary-oriented deep generative models do not explicitly consider
the underlying evolutionary dynamics of biological sequences as it is performed
within the Bayesian phylogenetic inference framework. In this study, we propose
a method for a deep variational Bayesian generative model that jointly
approximates the true posterior of local biological evolutionary parameters and
generates sequence alignments. Moreover, it is instantiated and tuned for
continuous-time Markov chain substitution models such as JC69 and GTR. We train
the model via a low-variance variational objective function and a gradient
ascent algorithm. Here, we show the consistency and effectiveness of the method
on synthetic sequence alignments simulated with several evolutionary scenarios
and on a real virus sequence alignment.
- Abstract(参考訳): ほとんどの進化指向の深層生成モデルは、ベイズ系統推定フレームワーク内で実行されるように、生物学的配列の基盤となる進化力学を明示的に考慮していない。
本研究では,局所的な生物学的進化パラメータの真後部を共同で近似し,配列アライメントを生成する深部変分ベイズ生成モデルを提案する。
さらに、JC69やGTRといったマルコフ連鎖置換モデルのインスタンス化と調整を行う。
低分散変動目的関数と勾配上昇アルゴリズムを用いてモデルを訓練する。
本稿では、いくつかの進化シナリオと実際のウイルス配列アライメントをシミュレートした合成配列アライメントにおける手法の一貫性と有効性を示す。
関連論文リスト
- PhyloGFN: Phylogenetic inference with generative flow networks [59.56365488043478]
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) - Prior Density Learning in Variational Bayesian Phylogenetic Parameters
Inference [1.03590082373586]
本稿では,勾配に基づく手法とニューラルネットワークに基づくパラメータ化を用いて,それらのパラメータを学習することで,先行密度の剛性を緩和する手法を提案する。
実験の結果, 分岐長と進化モデルパラメータを推定する上で, 提案手法は強力であることが示唆された。
論文 参考訳(メタデータ) (2023-02-06T01:29:15Z) - Using Signal Processing in Tandem With Adapted Mixture Models for
Classifying Genomic Signals [16.119729980200955]
本稿では,ガウス混合モデルとタンデムの信号処理を併用して,シーケンスのスペクトル表現を改善する手法を提案する。
提案手法は、確立されたベンチマークデータセットに対して、6.06%の精度で類似した最先端の手法より優れている。
論文 参考訳(メタデータ) (2022-11-03T06:10:55Z) - GeoDiff: a Geometric Diffusion Model for Molecular Conformation
Generation [102.85440102147267]
分子配座予測のための新しい生成モデルGeoDiffを提案する。
GeoDiffは、既存の最先端のアプローチよりも優れているか、あるいは同等であることを示す。
論文 参考訳(メタデータ) (2022-03-06T09:47:01Z) - Evolving Evolutionary Algorithms with Patterns [0.0]
このモデルは、MEP(Multi Expression Programming)技術に基づいている。
関数最適化のためのいくつかの進化的アルゴリズムは、考慮されたモデルを用いて進化する。
論文 参考訳(メタデータ) (2021-10-10T16:26:20Z) - Topographic VAEs learn Equivariant Capsules [84.33745072274942]
本稿では, 地理的に整理された潜伏変数を用いた深部生成モデルを効率的に学習するための新しい手法であるTopographic VAEを紹介する。
このようなモデルでは,MNIST上での桁数クラス,幅,スタイルなどの健全な特徴に応じて,その活性化を組織化することが実際に学べることが示される。
我々は、既存の群同変ニューラルネットワークの能力を拡張して、複素変換に近似した同値性を示す。
論文 参考訳(メタデータ) (2021-09-03T09:25:57Z) - 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) - Deep Evolutionary Learning for Molecular Design [1.8047694351309207]
分子設計のためのフラグメントに基づく深層生成モデルと多対象進化計算を融合した深層進化学習プロセスを提案する。
本手法は,(1) 構造空間ではなく, 生成モデルの潜在空間における進化的操作を可能とし, 次世代の分子構造を創出する。
論文 参考訳(メタデータ) (2020-12-28T03:15:46Z) - AdaLead: A simple and robust adaptive greedy search algorithm for
sequence design [55.41644538483948]
我々は、容易で、拡張性があり、堅牢な進化的欲求アルゴリズム(AdaLead)を開発した。
AdaLeadは、様々な生物学的に動機づけられたシーケンスデザインの課題において、アートアプローチのより複雑な状態を克服する、驚くほど強力なベンチマークである。
論文 参考訳(メタデータ) (2020-10-05T16:40:38Z) - Variational Hyper RNN for Sequence Modeling [69.0659591456772]
本稿では,時系列データにおける高変数の取得に優れる新しい確率的シーケンスモデルを提案する。
提案手法では,時間潜時変数を用いて基礎となるデータパターンに関する情報をキャプチャする。
提案手法の有効性を,合成および実世界のシーケンシャルデータに示す。
論文 参考訳(メタデータ) (2020-02-24T19:30:32Z)
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。