論文の概要: DeepProphet2 -- A Deep Learning Gene Recommendation Engine
- arxiv url: http://arxiv.org/abs/2208.01918v1
- Date: Wed, 3 Aug 2022 08:54:13 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-04 14:27:13.609416
- Title: DeepProphet2 -- A Deep Learning Gene Recommendation Engine
- Title（参考訳）: DeepProphet2 - ディープラーニング遺伝子レコメンデーションエンジン
- Authors: Daniele Brambilla (1), Davide Maria Giacomini (1), Luca Muscarnera,
Andrea Mazzoleni (1) ((1) TheProphetAI)
- Abstract要約: 本研究の目的は、人工知能(AI)による遺伝子レコメンデーションの潜在的利点について議論することである。
このタスクはカスタムのディープラーニング推奨エンジンであるDeepProphet2 (DP2)で解決された。
アルゴリズムの裏にある洞察とその実践的応用について説明する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: New powerful tools for tackling life science problems have been created by
recent advances in machine learning. The purpose of the paper is to discuss the
potential advantages of gene recommendation performed by artificial
intelligence (AI). Indeed, gene recommendation engines try to solve this
problem: if the user is interested in a set of genes, which other genes are
likely to be related to the starting set and should be investigated? This task
was solved with a custom deep learning recommendation engine, DeepProphet2
(DP2), which is freely available to researchers worldwide via
www.generecommender.com. Hereafter, insights behind the algorithm and its
practical applications are illustrated.
The gene recommendation problem can be addressed by mapping the genes to a
metric space where a distance can be defined to represent the real semantic
distance between them. To achieve this objective a transformer-based model has
been trained on a well-curated freely available paper corpus, PubMed. The paper
describes multiple optimization procedures that were employed to obtain the
best bias-variance trade-off, focusing on embedding size and network depth. In
this context, the model's ability to discover sets of genes implicated in
diseases and pathways was assessed through cross-validation. A simple
assumption guided the procedure: the network had no direct knowledge of
pathways and diseases but learned genes' similarities and the interactions
among them. Moreover, to further investigate the space where the neural network
represents genes, the dimensionality of the embedding was reduced, and the
results were projected onto a human-comprehensible space. In conclusion, a set
of use cases illustrates the algorithm's potential applications in a real word
setting.
- Abstract（参考訳）: 生命科学の問題に取り組むための新しい強力なツールは、機械学習の最近の進歩によって生み出された。
本研究の目的は,人工知能(AI)による遺伝子レコメンデーションの潜在的利点について議論することである。
実際に、遺伝子レコメンデーションエンジンがこの問題を解決しようとしている。ユーザーが一連の遺伝子に興味がある場合、どの遺伝子が開始セットと関連し、調査されるべきか?
このタスクは、www.generecommender.comを介して世界中の研究者が自由に利用できるカスタムのディープラーニングレコメンデーションエンジンであるdeepprophet2(dp2)によって解決された。
以下にアルゴリズムの背景にある知見とその実践的応用について説明する。
遺伝子レコメンデーション問題は、遺伝子を距離がそれらの間の実際の意味距離を表すために定義される距離空間にマッピングすることで解決することができる。
この目的を達成するために、トランスフォーマーベースのモデルは、自由に利用可能な紙コーパスで訓練されている。
本稿では,埋め込みサイズとネットワーク深さに着目し,最適なバイアス分散トレードオフを得るための複数の最適化手順について述べる。
この文脈では、モデルが疾患や経路に関与する遺伝子群を発見する能力は相互評価によって評価された。
ネットワークは経路や疾患について直接知識を持たず、遺伝子の類似性とそれらの相互作用を学んだ。
さらに、ニューラルネットワークが遺伝子を表わす空間をさらに調査するために、埋め込みの次元が減少し、その結果を人間の理解可能な空間に投影した。
結論として、一連のユースケースは、アルゴリズムの潜在的な応用を実際の単語設定で示す。
関連論文リスト
- An Evolutional Neural Network Framework for Classification of Microarray Data [0.0]
本研究の目的は,遺伝的アルゴリズムとニューラルネットワークのハイブリッドモデルを用いて,情報的遺伝子のサブセット選択において問題を克服することである。
実験の結果,提案手法は,他の機械学習アルゴリズムと比較して,高い精度と最小数の選択遺伝子が示唆された。
論文 参考訳（メタデータ） (2024-11-20T13:48:40Z) - Neural Lineage [56.34149480207817]
本稿では,親子間の系統関係の発見を目的としたニューラルライン検出という新しいタスクを提案する。
実用上,ニューラルネットワーク表現類似度指標に微調整プロセスの近似を組み込んだ学習自由アプローチを導入する。
精度を追求するために,エンコーダと変圧器検出器からなる学習系系統検出装置を導入する。
論文 参考訳（メタデータ） (2024-06-17T01:11:53Z) - BioDiscoveryAgent: An AI Agent for Designing Genetic Perturbation Experiments [112.25067497985447]
そこで,BioDiscoveryAgentを紹介した。このエージェントは,新しい実験を設計し,その結果の理由を明らかにし,仮説空間を効率的にナビゲートし,望ましい解に到達させる。
BioDiscoveryAgentは、機械学習モデルをトレーニングすることなく、新しい実験を独自に設計することができる。
6つのデータセットで関連する遺伝的摂動を予測することで、平均21%の改善が達成されている。
論文 参考訳（メタデータ） (2024-05-27T19:57:17Z) - GENEVIC: GENetic data Exploration and Visualization via Intelligent interactive Console [6.786793669890866]
GENEVICは、遺伝的データ生成と生物医学的知識発見のギャップを埋める、AI駆動のチャットフレームワークである。
カスタマイズされたドメイン固有の遺伝情報の分析、検索、可視化を自動化する。
機能を統合して、タンパク質相互作用ネットワークの生成、遺伝子セットの強化、PubMed、Google Scholar、arXivから科学文献の検索を行う。
論文 参考訳（メタデータ） (2024-04-04T20:53:30Z) - Genetic InfoMax: Exploring Mutual Information Maximization in
High-Dimensional Imaging Genetics Studies [50.11449968854487]
遺伝子ワイド・アソシエーション(GWAS)は、遺伝的変異と特定の形質の関係を同定するために用いられる。
画像遺伝学の表現学習は、GWASによって引き起こされる固有の課題により、ほとんど探索されていない。
本稿では,GWAS の具体的な課題に対処するために,トランスモーダル学習フレームワーク Genetic InfoMax (GIM) を提案する。
論文 参考訳（メタデータ） (2023-09-26T03:59:21Z) - A New Deep Learning and XAI-Based Algorithm for Features Selection in
Genomics [5.787117733071415]
本稿では,ゲノム規模のデータに基づいて特徴選択を行う新しいアルゴリズムを提案する。
慢性リンパ性白血病データセットへの応用の結果は、アルゴリズムの有効性を証明している。
論文 参考訳（メタデータ） (2023-03-29T16:44:13Z) - DDeMON: Ontology-based function prediction by Deep Learning from Dynamic
Multiplex Networks [0.7349727826230864]
本研究の目的は、遺伝子発現の時間的ダイナミクスとシステムのレベル情報の融合がいかにして新しい遺伝子機能を予測するかを検討することである。
時間依存型多スケール生体情報を用いた関数アノテーションのスケーラブルなシステムレベルの推論手法であるDDeMONを提案する。
論文 参考訳（メタデータ） (2023-02-08T06:53:02Z) - Graph Based Link Prediction between Human Phenotypes and Genes [5.1398743023989555]
機械学習の分野での最近の進歩は、異常なヒトの表現型と遺伝子間の相互作用を予測するのに効果的である。
本研究では,ヒトの表現型オントロジー(HPO)と遺伝子との関係を予測する枠組みを開発した。
他の4つの方法と比較して、LightGBMはヒトの表現型と遺伝子ペア間のより正確な相互作用やリンクを見つけることができる。
論文 参考訳（メタデータ） (2021-05-25T14:47:07Z) - 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) - Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype
Prediction [55.94378672172967]
本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。
新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。
我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
論文 参考訳（メタデータ） (2020-09-02T02:50:30Z) - AutoML-Zero: Evolving Machine Learning Algorithms From Scratch [76.83052807776276]
基本数学的操作をビルディングブロックとして使うだけで,完全な機械学習アルゴリズムを自動的に発見できることが示される。
汎用的な検索空間を通じて人間のバイアスを大幅に低減する新しいフレームワークを導入することでこれを実証する。
機械学習アルゴリズムをゼロから発見する上で、これらの予備的な成功は、この分野における有望な新しい方向性を示していると信じている。
論文 参考訳（メタデータ） (2020-03-06T19:00:04Z)
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。