論文の概要: Neural Design for Genetic Perturbation Experiments

• arxiv url: http://arxiv.org/abs/2207.12805v1
• Date: Tue, 26 Jul 2022 10:59:52 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-27 12:31:30.154788
• Title: Neural Design for Genetic Perturbation Experiments
• Title（参考訳）: 遺伝的摂動実験のための神経設計
• Authors: Aldo Pacchiano, Drausin Wulsin, Robert A. Barton, Luis Voloch
• Abstract要約: 我々は、クエリ(アーム)と出力(リワード)の異なる機能関係の下で、ほぼ最適なアームを見つけるために、最適アーム除去原理を導入する。 OAEはまた、GeneDiscoの実験的計画課題において、ベンチマークアルゴリズムを4つのデータセットのうち3つで上回っている。
• 参考スコア（独自算出の注目度）: 16.95249173404529
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The problem of how to genetically modify cells in order to maximize a certain cellular phenotype has taken center stage in drug development over the last few years (with, for example, genetically edited CAR-T, CAR-NK, and CAR-NKT cells entering cancer clinical trials). Exhausting the search space for all possible genetic edits (perturbations) or combinations thereof is infeasible due to cost and experimental limitations. This work provides a theoretically sound framework for iteratively exploring the space of perturbations in pooled batches in order to maximize a target phenotype under an experimental budget. Inspired by this application domain, we study the problem of batch query bandit optimization and introduce the Optimistic Arm Elimination ($\mathrm{OAE}$) principle designed to find an almost optimal arm under different functional relationships between the queries (arms) and the outputs (rewards). We analyze the convergence properties of $\mathrm{OAE}$ by relating it to the Eluder dimension of the algorithm's function class and validate that $\mathrm{OAE}$ outperforms other strategies in finding optimal actions in experiments on simulated problems, public datasets well-studied in bandit contexts, and in genetic perturbation datasets when the regression model is a deep neural network. OAE also outperforms the benchmark algorithms in 3 of 4 datasets in the GeneDisco experimental planning challenge.
• Abstract（参考訳）: 特定の細胞性表現型を最大化するために、どのように細胞を遺伝子的に修飾するかという問題は、ここ数年、薬物開発の中心的な段階(例えば、遺伝子編集されたCAR-T、CAR-NK、CAR-NKT細胞ががん臨床試験に入る)である。 全ての可能な遺伝子編集(摂動)またはそれらの組み合わせに対する探索空間の行使は、コストと実験的制限のために不可能である。 この研究は、実験予算の下でターゲット表現型を最大化するために、プールされたバッチ内の摂動空間を反復的に探索するための理論的に健全な枠組みを提供する。 このアプリケーション領域に触発されて、バッチクエリの帯域最適化の問題を研究し、クエリ(アーム)と出力(リワード)の異なる機能的関係の下で、ほぼ最適なアームを見つけるために設計されたOptimistic Arm Elimination(\mathrm{OAE}$)の原則を導入する。 我々は、アルゴリズムの関数クラスのエルダー次元に関連付けることで、$\mathrm{OAE}$の収束特性を分析し、シミュレーションされた問題、パブリックデータセットが帯域幅の文脈でよく研究され、回帰モデルがディープニューラルネットワークであるときの遺伝的摂動データセットにおいて最適な行動を見つける他の戦略よりも優れていることを検証した。 oaeはまた、genedisco experimental planning challengeで4つのデータセットのうち3つでベンチマークアルゴリズムを上回っている。

関連論文リスト

• Semantically Rich Local Dataset Generation for Explainable AI in Genomics [0.716879432974126]
  ゲノム配列に基づいて訓練されたブラックボックス深層学習モデルは、異なる遺伝子制御機構の結果を予測するのに優れている。 本稿では、遺伝的プログラミングを用いて、その意味的多様性に寄与する配列の摂動を進化させることによりデータセットを生成することを提案する。
  論文  参考訳（メタデータ） (2024-07-03T10:31:30Z)
• Predicting loss-of-function impact of genetic mutations: a machine learning approach [0.0]
  本稿では,遺伝子変異の属性に基づいて機械学習モデルを学習し,LoFtoolスコアを予測することを目的とする。 これらの属性には、染色体上の突然変異の位置、アミノ酸の変化、変異によって引き起こされるコドンの変化が含まれていた。 モデルは, 平均2乗誤差, 平均2乗誤差, 平均2乗誤差, 平均絶対誤差, 説明分散の5倍のクロスバリデード平均を用いて評価した。
  論文  参考訳（メタデータ） (2024-01-26T19:27:38Z)
• 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)
• Adaptive LASSO estimation for functional hidden dynamic geostatistical model [69.10717733870575]
  関数型隠れ統計モデル(f-HD)のためのペナル化極大推定器(PMLE)に基づく新しいモデル選択アルゴリズムを提案する。 このアルゴリズムは反復最適化に基づいており、適応最小限の収縮・セレクタ演算子(GMSOLAS)ペナルティ関数を用いており、これは不給付のf-HD最大線量推定器によって得られる。
  論文  参考訳（メタデータ） (2022-08-10T19:17:45Z)
• Inference of Regulatory Networks Through Temporally Sparse Data [5.495223636885796]
  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。
  論文  参考訳（メタデータ） (2022-07-21T22:48:12Z)
• Result Diversification by Multi-objective Evolutionary Algorithms with Theoretical Guarantees [94.72461292387146]
  両目的探索問題として結果の多様化問題を再構成し,多目的進化アルゴリズム(EA)を用いて解くことを提案する。 GSEMOが最適時間近似比1/2$を達成できることを理論的に証明する。 目的関数が動的に変化すると、GSEMOはこの近似比をランニングタイムで維持することができ、Borodinらによって提案されたオープンな問題に対処する。
  論文  参考訳（メタデータ） (2021-10-18T14:00:22Z)
• Fractal Structure and Generalization Properties of Stochastic Optimization Algorithms [71.62575565990502]
  最適化アルゴリズムの一般化誤差は、その一般化尺度の根底にあるフラクタル構造の複雑性'にバウンドできることを示す。 さらに、特定の問題(リニア/ロジスティックレグレッション、隠れ/層ニューラルネットワークなど)とアルゴリズムに対して、結果をさらに専門化します。
  論文  参考訳（メタデータ） (2021-06-09T08:05:36Z)
• Brain Image Synthesis with Unsupervised Multivariate Canonical CSC$\ell_4$Net [122.8907826672382]
  我々は,新しいCSC$ell_4$Netを用いて,イントレとイントラモーダルの両方にまたがる専用特徴を学習することを提案する。
  論文  参考訳（メタデータ） (2021-03-22T05:19:40Z)
• GeneCAI: Genetic Evolution for Acquiring Compact AI [36.04715576228068]
  ディープニューラルネットワーク(DNN)は、より高い推論精度を達成するために、より複雑なアーキテクチャへと進化している。 モデル圧縮技術は、リソース制限されたモバイルデバイスにそのような計算集約的なアーキテクチャを効率的に展開するために利用することができる。 本稿では,階層ごとの圧縮ハイパーパラメータのチューニング方法を自動的に学習する新しい最適化手法であるGeneCAIを紹介する。
  論文  参考訳（メタデータ） (2020-04-08T20:56:37Z)
• Stochastic Flows and Geometric Optimization on the Orthogonal Group [52.50121190744979]
  直交群 $O(d)$ 上の幾何駆動最適化アルゴリズムの新しいクラスを示す。 提案手法は,深層,畳み込み,反復的なニューラルネットワーク,強化学習,フロー,メトリック学習など,機械学習のさまざまな分野に適用可能であることを示す。
  論文  参考訳（メタデータ） (2020-03-30T15:37:50Z)

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。