論文の概要: Machine Learning to Predict the Antimicrobial Activity of Cold
Atmospheric Plasma-Activated Liquids
- arxiv url: http://arxiv.org/abs/2207.12478v1
- Date: Mon, 25 Jul 2022 19:08:19 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-27 13:24:31.957218
- Title: Machine Learning to Predict the Antimicrobial Activity of Cold
Atmospheric Plasma-Activated Liquids
- Title(参考訳): 寒冷大気プラズマ活性化液体の抗菌活性予測のための機械学習
- Authors: Mehmet Akif Ozdemir, Gizem Dilara Ozdemir, Merve Gul, Onan Guren and
Utku Kursat Ercan
- Abstract要約: プラズマ活性液体(PAL)の強い広帯域抗菌効果が知られている。
医療分野における機械学習(ML)の適用性の証明は、血漿医学にも応用されることを奨励している。
本稿では,PALsのin vitro抗菌活性を定性的に予測するために,事前に得られたデータを用いて比較教師付きMLモデルを提示する。
- 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: Plasma is defined as the fourth state of matter and non-thermal plasma can be
produced at atmospheric pressure under a high electrical field. The strong and
broad-spectrum antimicrobial effect of plasma-activated liquids (PALs) is now
well known. The proven applicability of machine learning (ML) in the medical
field is encouraging for its application in the field of plasma medicine as
well. Thus, ML applications on PALs could present a new perspective to better
understand the influences of various parameters on their antimicrobial effects.
In this paper, comparative supervised ML models are presented by using
previously obtained data to qualitatively predict the in vitro antimicrobial
activity of PALs. A literature search was performed and data is collected from
33 relevant articles. After the required preprocessing steps, two supervised ML
methods, namely classification, and regression are applied to data to obtain
microbial inactivation (MI) predictions. For classification, MI is labeled in
four categories and for regression, MI is used as a continuous variable. Two
different robust cross-validation strategies are conducted for classification
and regression models to evaluate the proposed method; repeated stratified
k-fold cross-validation and k-fold cross-validation, respectively. We also
investigate the effect of different features on models. The results
demonstrated that the hyperparameter-optimized Random Forest Classifier (oRFC)
and Random Forest Regressor (oRFR) provided better results than other models
for the classification and regression, respectively. Finally, the best test
accuracy of 82.68% for oRFC and R2 of 0.75 for the oRFR are obtained. ML
techniques could contribute to a better understanding of plasma parameters that
have a dominant role in the desired antimicrobial effect. Furthermore, such
findings may contribute to the definition of a plasma dose in the future.
- Abstract(参考訳): プラズマは物質の4番目の状態として定義され、非熱プラズマは高電界下で大気圧で生成することができる。
プラズマ活性液体(PAL)の強い広帯域抗菌効果が知られている。
医療分野における機械学習(ML)の適用性の証明は、血漿医学にも応用されることを奨励している。
したがって、MLによるPALの応用は、様々なパラメータが抗菌効果に与える影響をよりよく理解するための新たな視点を与えることができる。
本稿では,PALsのin vitro抗菌活性を定性的に予測するために,事前に得られたデータを用いて比較教師付きMLモデルを提示する。
文献検索を行い、33の関連記事からデータを収集する。
必要な前処理ステップの後、データに2つの教師付きML手法、すなわち分類と回帰を適用し、微生物不活性化(MI)予測を得る。
分類では、miは4つのカテゴリに分類され、回帰では、miは連続変数として使用される。
提案手法を評価するために, 分類モデルと回帰モデルのための2つの異なるロバストなクロスバリデーション戦略を行い, k-フォルダのクロスバリデーションと k-フォールドのクロスバリデーションを繰り返した。
また,異なる特徴がモデルに与える影響についても検討する。
その結果,超パラメータ最適化型森林分類器 (oRFC) とランダムフォレスト回帰器 (oRFR) が,他の分類モデルや回帰モデルよりもよい結果を示した。
最後に、oRFCの82.68%、oRFRの0.75のR2の試験精度を得る。
ML技術は、望まれる抗菌効果に支配的な役割を持つ血漿パラメータの理解に寄与する可能性がある。
さらに、このような知見は将来、血漿線量の定義に寄与する可能性がある。
関連論文リスト
- Topology-enhanced machine learning model (Top-ML) for anticancer peptide prediction [0.0]
抗がんペプチド予測のためのトポロジー強化機械学習モデル(Top-ML)を提案する。
我々のTop-MLモデルは、広く使われている2つのAntiCP 2.0ベンチマークデータセットで検証され、最先端のパフォーマンスを達成した。
論文 参考訳(メタデータ) (2024-07-12T04:04:54Z) - Regressor-free Molecule Generation to Support Drug Response Prediction [83.25894107956735]
目標IC50スコアに基づく条件生成により、より効率的なサンプリングスペースを得ることができる。
回帰自由誘導は、拡散モデルのスコア推定と、数値ラベルに基づく回帰制御モデルの勾配を結合する。
論文 参考訳(メタデータ) (2024-05-23T13:22:17Z) - Plasma Surrogate Modelling using Fourier Neural Operators [57.52074029826172]
トカマク炉内のプラズマの進化を予測することは、持続可能な核融合の目標を実現するために不可欠である。
深層学習に基づく代理モデルツールviz., Neural Operators (FNO) を用いた進化プラズマの正確な予測を実証する。
我々は、FNOが磁気流体力学モデルからシミュレーションされたプラズマ力学を予測する際に、従来の解法よりも6桁の速度を持つことを示した。
FNOは、MASTトカマク内のカメラで観測された実世界の実験データに基づいて、プラズマの進化を予測することもできる。
論文 参考訳(メタデータ) (2023-11-10T10:05:00Z) - Dual-path convolutional neural network using micro-FTIR imaging to
predict breast cancer subtypes and biomarkers levels: estrogen receptor,
progesterone receptor, HER2 and Ki67 [0.0]
新しい畳み込みニューラルネットワークであるCaReNet-V2は、乳がんと隣接する組織を分類し、バイオマーカーのレベルを予測するために開発された。
このモデルにより, ER, PR, HER2レベルの予測が可能となった。
論文 参考訳(メタデータ) (2023-10-23T17:05:53Z) - A Probabilistic Fluctuation based Membership Inference Attack for Diffusion Models [32.15773300068426]
メンバーシップ推論攻撃(MIA)は、機械学習モデルのトレーニングセットに、モデルをクエリすることでレコードが存在するかどうかを特定する。
PFAMI(Probabilistic Fluctuation Assessing Membership Inference Attack)を提案する。
PFAMIは最高のベースラインと比較して攻撃成功率(ASR)を約27.9%向上させることができる。
論文 参考訳(メタデータ) (2023-08-23T14:00:58Z) - Forecast reconciliation for vaccine supply chain optimization [61.13962963550403]
ワクチンサプライチェーン最適化は階層的な時系列予測の恩恵を受けることができる。
異なる階層レベルの予測は、上位レベルの予測が下位レベルの予測の総和と一致しないときに不整合となる。
我々は2010年から2021年にかけてのGSKの販売データを階層的時系列としてモデル化し,ワクチン販売予測問題に取り組む。
論文 参考訳(メタデータ) (2023-05-02T14:34:34Z) - Benchmarking Machine Learning Robustness in Covid-19 Genome Sequence
Classification [109.81283748940696]
我々は、IlluminaやPacBioといった一般的なシークエンシングプラットフォームのエラープロファイルを模倣するために、SARS-CoV-2ゲノム配列を摂動する方法をいくつか紹介する。
シミュレーションに基づくいくつかのアプローチは、入力シーケンスに対する特定の敵攻撃に対する特定の埋め込み手法に対して、他の手法よりも堅牢(かつ正確)であることを示す。
論文 参考訳(メタデータ) (2022-07-18T19:16:56Z) - Machine Learning for Real-World Evidence Analysis of COVID-19
Pharmacotherapy [0.0]
臨床から生成された実世界のデータは、新型コロナウイルスの薬物療法の実際の証拠を分析するために使用できる。
機械学習(ML)メソッドが使われており、精密医療のための有望なツールである。
本研究では,スペインバレンシア州における新型コロナウイルスの入院に対する治療法の有効性を検討するために,ML法を適用した。
論文 参考訳(メタデータ) (2021-07-19T16:28:54Z) - Two-step penalised logistic regression for multi-omic data with an
application to cardiometabolic syndrome [62.997667081978825]
我々は,各層で変数選択を行うマルチオミックロジスティック回帰に対する2段階のアプローチを実装した。
私たちのアプローチは、可能な限り多くの関連する予測子を選択することを目標とすべきです。
提案手法により,分子レベルでの心筋メタボリックシンドロームの特徴を同定することができる。
論文 参考訳(メタデータ) (2020-08-01T10:36:27Z) - Localized Debiased Machine Learning: Efficient Inference on Quantile
Treatment Effects and Beyond [69.83813153444115]
因果推論における(局所)量子化処理効果((L)QTE)の効率的な推定式を検討する。
Debiased Machine Learning (DML)は、高次元のニュアンスを推定するデータ分割手法である。
本稿では、この負担のかかるステップを避けるために、局所的脱バイアス機械学習(LDML)を提案する。
論文 参考訳(メタデータ) (2019-12-30T14:42:52Z)
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。