論文の概要: Inference of Regulatory Networks Through Temporally Sparse Data
- arxiv url: http://arxiv.org/abs/2207.12124v1
- Date: Thu, 21 Jul 2022 22:48:12 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-26 13:53:34.622777
- Title: Inference of Regulatory Networks Through Temporally Sparse Data
- Title（参考訳）: 時間的スパースデータによる制御ネットワークの推定
- Authors: Mohammad Alali and Mahdi Imani
- Abstract要約: ゲノム工学の大きな目標は、遺伝子制御ネットワーク(GRN)の複雑な動的挙動を適切に捉えることである。
本稿では,ベイズ最適化とカーネルベースの手法を用いて,GRNのスケーラブルかつ効率的なトポロジ推定法を開発した。
- 参考スコア（独自算出の注目度）: 5.495223636885796
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: A major goal in genomics is to properly capture the complex dynamical
behaviors of gene regulatory networks (GRNs). This includes inferring the
complex interactions between genes, which can be used for a wide range of
genomics analyses, including diagnosis or prognosis of diseases and finding
effective treatments for chronic diseases such as cancer. Boolean networks have
emerged as a successful class of models for capturing the behavior of GRNs. In
most practical settings, inference of GRNs should be achieved through limited
and temporally sparse genomics data. A large number of genes in GRNs leads to a
large possible topology candidate space, which often cannot be exhaustively
searched due to the limitation in computational resources. This paper develops
a scalable and efficient topology inference for GRNs using Bayesian
optimization and kernel-based methods. Rather than an exhaustive search over
possible topologies, the proposed method constructs a Gaussian Process (GP)
with a topology-inspired kernel function to account for correlation in the
likelihood function. Then, using the posterior distribution of the GP model,
the Bayesian optimization efficiently searches for the topology with the
highest likelihood value by optimally balancing between exploration and
exploitation. The performance of the proposed method is demonstrated through
comprehensive numerical experiments using a well-known mammalian cell-cycle
network.
- Abstract（参考訳）: ゲノム学の大きな目標は、遺伝子制御ネットワーク(GRN)の複雑な動的挙動を適切に捉えることである。
これには、疾患の診断や予後、がんなどの慢性疾患の効果的な治療法の発見など、幅広いゲノム解析に使用できる遺伝子間の複雑な相互作用を推測することが含まれる。
ブールネットワークは、GRNの振る舞いを捉えるためのモデルとして成功している。
ほとんどの実践的な環境では、GRNの推測は、限られた時間的にスパースなゲノムデータによって達成されるべきである。
GRNの多くの遺伝子は大きなトポロジー候補空間をもたらすが、計算資源の制限のために徹底的に探索することはできない。
本稿では,ベイズ最適化とカーネルベースの手法を用いて,GRNのスケーラブルかつ効率的なトポロジ推定法を開発した。
提案手法は,可能なトポロジを網羅的に探索するのではなく,トポロジに着想を得たカーネル関数を持つガウス過程(GP)を構築し,確率関数の相関性を考慮した。
そして, gpモデルの後方分布を用いて, ベイズ最適化は探索と搾取のバランスを最適に保ち, 高い確率値のトポロジーを効率的に探索する。
提案手法の性能は,よく知られた哺乳動物細胞サイクルネットワークを用いた総合的な数値実験により実証された。
関連論文リスト
- Causal Inference in Gene Regulatory Networks with GFlowNet: Towards
Scalability in Large Systems [87.45270862120866]
我々は、GRNにおける因果構造学習を強化する新しいフレームワークとしてSwift-DynGFNを紹介した。
具体的には、Swift-DynGFNは、並列化を高め、計算コストを下げるために、遺伝子的に独立性を利用する。
論文 参考訳（メタデータ） (2023-10-05T14:59:19Z) - Stability Analysis of Non-Linear Classifiers using Gene Regulatory
Neural Network for Biological AI [2.0755366440393743]
二重層転写翻訳化学反応モデルを用いた遺伝子パーセプトロンの数学的モデルを構築した。
我々は全接続GRNNサブネットワーク内の各遺伝子パーセプトロンの安定性解析を行い、時間的および安定した濃度出力を決定する。
論文 参考訳（メタデータ） (2023-09-14T21:37:38Z) - Linear Time GPs for Inferring Latent Trajectories from Neural Spike
Trains [7.936841911281107]
我々は,Hida-Mat'ernカーネルと共役変分推論(CVI)を利用した潜在GPモデルの一般的な推論フレームワークであるcvHMを提案する。
我々は任意の確率で線形時間複雑性を持つ潜在神経軌道の変分推定を行うことができる。
論文 参考訳（メタデータ） (2023-06-01T16:31:36Z) - Promises and Pitfalls of the Linearized Laplace in Bayesian Optimization [73.80101701431103]
線形化ラプラス近似(LLA)はベイズニューラルネットワークの構築に有効で効率的であることが示されている。
ベイズ最適化におけるLLAの有用性について検討し,その性能と柔軟性を強調した。
論文 参考訳（メタデータ） (2023-04-17T14:23:43Z) - DiscoGen: Learning to Discover Gene Regulatory Networks [30.83574314774383]
遺伝子制御ネットワーク(GRN)の正確な推論は、生物学における重要な課題である。
ニューラルネットワークに基づく因果発見手法の最近の進歩は因果発見を著しく改善している。
生物学に最先端の因果発見手法を適用することは、ノイズの多いデータや多数のサンプルのような課題を引き起こす。
本稿では、遺伝子発現の測定をノイズ化し、介入データを処理するニューラルネットワークベースのGRN発見手法であるDiscoGenを紹介する。
論文 参考訳（メタデータ） (2023-04-12T13:02:49Z) - DynGFN: Towards Bayesian Inference of Gene Regulatory Networks with
GFlowNets [81.75973217676986]
遺伝子調節ネットワーク(GRN)は、遺伝子発現と細胞機能を制御する遺伝子とその産物間の相互作用を記述する。
既存の方法は、チャレンジ(1)、ダイナミックスから循環構造を識別すること、あるいはチャレンジ(2)、DAGよりも複雑なベイズ後部を学習することに焦点を当てるが、両方ではない。
本稿では、RNAベロシティ技術を用いて遺伝子発現の「速度」を推定できるという事実を活用し、両方の課題に対処するアプローチを開発する。
論文 参考訳（メタデータ） (2023-02-08T16:36:40Z) - Generative Adversarial Method Based on Neural Tangent Kernels [13.664682865991255]
GA-NTK(Generative Adversarial NTK)と呼ばれる新しい生成アルゴリズムを提案する。
GA-NTK は GAN に匹敵する画像を生成することができるが、様々な条件下での訓練がずっと容易である。
その結果,GA-NTK は GAN に匹敵する画像を生成することができるが,様々な条件下での訓練がより容易であることがわかった。
論文 参考訳（メタデータ） (2022-04-08T14:17:46Z) - Random Features for the Neural Tangent Kernel [57.132634274795066]
完全接続型ReLUネットワークのニューラルタンジェントカーネル(NTK)の効率的な特徴マップ構築を提案する。
得られた特徴の次元は、理論と実践の両方で比較誤差境界を達成するために、他のベースライン特徴マップ構造よりもはるかに小さいことを示しています。
論文 参考訳（メタデータ） (2021-04-03T09:08:12Z) - Gene Regulatory Network Inference with Latent Force Models [1.2691047660244335]
タンパク質合成の遅延は、RNAシークエンシング時系列データから遺伝子制御ネットワーク(GRN)を構築する際に相反する効果をもたらす。
実験データに適合するメカニスティック方程式とベイズ的アプローチを組み合わせることで,翻訳遅延を組み込んだモデルを提案する。
論文 参考訳（メタデータ） (2020-10-06T09:03:34Z) - Binarized Graph Neural Network [65.20589262811677]
我々は二項化グラフニューラルネットワークを開発し、二項化ネットワークパラメータを用いてノードのバイナリ表現を学習する。
提案手法は既存のGNNベースの埋め込み手法にシームレスに統合できる。
実験により、提案された二項化グラフニューラルネットワーク、すなわちBGNは、時間と空間の両方の観点から、桁違いに効率的であることが示されている。
論文 参考訳（メタデータ） (2020-04-19T09:43:14Z) - Infinitely Wide Graph Convolutional Networks: Semi-supervised Learning
via Gaussian Processes [144.6048446370369]
グラフ畳み込みニューラルネットワーク(GCN)は近年,グラフに基づく半教師付き半教師付き分類において有望な結果を示した。
グラフに基づく半教師付き学習のためのGCN(GPGC)を用いたGP回帰モデルを提案する。
GPGCを評価するための広範囲な実験を行い、他の最先端手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2020-02-26T10:02:32Z)
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。