論文の概要: CoViT: Real-time phylogenetics for the SARS-CoV-2 pandemic using Vision Transformers

• arxiv url: http://arxiv.org/abs/2208.05004v1
• Date: Tue, 9 Aug 2022 19:13:41 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-11 13:19:25.037458
• Title: CoViT: Real-time phylogenetics for the SARS-CoV-2 pandemic using Vision Transformers
• Title（参考訳）: CoViT:視覚変換器を用いたSARS-CoV-2パンデミックのリアルタイム系統解析
• Authors: Zuher Jahshan and Leonid Yavits
• Abstract要約: リアルタイムウイルスゲノム検出、分類分類、系統解析は、Covid-19のようなウイルスのパンデミックの効率的な追跡と制御に重要である。 私たちは、画像認識のための最近開発されたニューラルネットワークモデルであるVision Transformerを修正、適用することで、このボトルネックを緩和しようとしています。 我々のソリューションであるCoViTは、SARS-CoV-2系統の樹上に新たに取得したサンプルを配置する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Real-time viral genome detection, taxonomic classification and phylogenetic analysis are critical for efficient tracking and control of viral pandemics such as Covid-19. However, the unprecedented and still growing amounts of viral genome data create a computational bottleneck, which effectively prevents the real-time pandemic tracking. We are attempting to alleviate this bottleneck by modifying and applying Vision Transformer, a recently developed neural network model for image recognition, to taxonomic classification and placement of viral genomes, such as SARS-CoV-2. Our solution, CoViT, places newly acquired samples onto the tree of SARS-CoV-2 lineages. One of the two potential placements returned by CoVit is the true one with the probability of 99.0%. The probability of the correct placement to be found among five potential placements generated by CoViT is 99.8%. The placement time is 1.45ms per individual genome running on NVIDIAs GeForce RTX 2080 Ti GPU. We make CoViT available to research community through GitHub: https://github.com/zuherJahshan/covit.
• Abstract（参考訳）: リアルタイムウイルスゲノム検出、分類分類、系統解析は、Covid-19のようなウイルスパンデミックの効率的な追跡と制御に重要である。 しかし、前例がなく、いまだに増加するウイルスゲノムデータによって計算ボトルネックが発生し、リアルタイムのパンデミック追跡を効果的に防いでいる。 画像認識のためのニューラルネットワークモデルであるvision transformerをsars-cov-2などのウイルスゲノムの分類学的分類と配置に適用し,このボトルネックを緩和しようとしている。 我々のソリューションであるCoViTはSARS-CoV-2系統の樹上に新たに取得したサンプルを配置する。 CoVitによって返される2つの潜在的な配置のうちの1つは、99.0%の確率を持つ真のものである。 CoViTによって生成される5つの潜在的配置のうち、正しい配置の確率は99.8%である。 配置時間はNVIDIAのGeForce RTX 2080 Ti GPU上で動作するゲノムあたり1.45msである。 CoViTをGitHubを通じて研究コミュニティに提供します。

関連論文リスト

• Opponent Shaping for Antibody Development [49.26728828005039]
  抗ウイルス療法は通常、ウイルスの現在の株のみを標的とするように設計されている。 治療によって誘導される選択的圧力はウイルスに作用し、変異株の出現を誘導し、初期治療が効果を低下させる。 我々は、ウイルスの進化的脱出の遺伝的シミュレーションを実装するために、抗体とウイルス抗原の結合の計算モデルを構築した。
  論文  参考訳（メタデータ） (2024-09-16T14:56:27Z)
• ViralVectors: Compact and Scalable Alignment-free Virome Feature Generation [0.7874708385247353]
  SARS-CoV-2のシークエンシングデータの量は、どのウイルスよりも数桁大きい。 本稿では,効率的な下流解析が可能なビロメシークエンシングデータからコンパクトなベクトル生成であるEmphsignaturesを提案する。
  論文  参考訳（メタデータ） (2023-04-06T06:46:17Z)
• COVID-Net Assistant: A Deep Learning-Driven Virtual Assistant for COVID-19 Symptom Prediction and Recommendation [75.74756992992147]
  新型コロナウイルスの症状予測とレコメンデーションを提供するために設計された,効率的な仮想アシスタントであるCOVID-Net Assistantの設計を紹介する。 マシン駆動設計探索を通じて生成された、高度にカスタマイズされた軽量な畳み込みニューラルネットワークアーキテクチャについて検討する。 実験結果から,強力な予測性能を示す COVID-Net Assistant ニューラルネットワークが期待できる結果を得た。
  論文  参考訳（メタデータ） (2022-11-22T01:41:48Z)
• GradViT: Gradient Inversion of Vision Transformers [83.54779732309653]
  我々は,視力変換器(ViT)の勾配に基づく逆攻撃に対する脆弱性を実証する。 自然に見える画像にランダムノイズを最適化するGradViTという手法を提案する。 元の(隠された)データに対する前例のない高い忠実さと近接性を観察する。
  論文  参考訳（メタデータ） (2022-03-22T17:06:07Z)
• Using Deep Learning Sequence Models to Identify SARS-CoV-2 Divergence [1.9573380763700707]
  SARS-CoV-2は上層呼吸器系RNAウイルスで、2021年5月時点で300万人以上が死亡し、全世界で1億5000万人以上が感染している。 本稿では、繰り返しおよび畳み込み単位を利用してスパイクタンパク質のアミノ酸配列を取り込み、対応するクレードを分類するニューラルネットワークモデルを提案する。
  論文  参考訳（メタデータ） (2021-11-12T07:52:11Z)
• PhyloTransformer: A Discriminative Model for Mutation Prediction Based on a Multi-head Self-attention Mechanism [10.468453827172477]
  重症急性呼吸器症候群ウイルス2(SARS-CoV-2)は10/19/21で219万人が感染し、死亡率は3.6%となっている。 そこで我々は,トランスフォーマーを用いた識別モデルであるPhylo Transformerを開発した。
  論文  参考訳（メタデータ） (2021-11-03T01:30:57Z)
• Robust Representation and Efficient Feature Selection Allows for Effective Clustering of SARS-CoV-2 Variants [0.0]
  SARS-CoV-2ウイルスは異なる変種を含み、それぞれ異なる変異を持つ。 SARS-CoV-2ゲノムの変異の多くは、ゲノム配列のスパイク領域で不均等に起こる。 本研究では,異なる既知の変異体の挙動を研究するために,スパイクタンパク質配列をクラスタ化する手法を提案する。
  論文  参考訳（メタデータ） (2021-10-18T21:18:52Z)
• The Report on China-Spain Joint Clinical Testing for Rapid COVID-19 Risk Screening by Eye-region Manifestations [59.48245489413308]
  携帯電話カメラで中国とスペインで撮影された視線領域の画像を用いて、新型コロナウイルスの早期スクリーニングモデルを開発し、テストした。 AUC, 感度, 特異性, 精度, F1。
  論文  参考訳（メタデータ） (2021-09-18T02:28:01Z)
• Classification of COVID-19 in CT Scans using Multi-Source Transfer Learning [91.3755431537592]
  我々は,従来のトランスファー学習の改良にマルチソース・トランスファー・ラーニングを応用して,CTスキャンによる新型コロナウイルスの分類を提案する。 マルチソースファインチューニングアプローチでは、ImageNetで微調整されたベースラインモデルよりも優れています。 我々の最高のパフォーマンスモデルは、0.893の精度と0.897のリコールスコアを達成でき、ベースラインのリコールスコアを9.3%上回った。
  論文  参考訳（メタデータ） (2020-09-22T11:53:06Z)
• CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors and Efficient Neural Networks [51.589769497681175]
  新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。 SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。 我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-20T21:47:28Z)
• COVID-19 Screening Using Residual Attention Network an Artificial Intelligence Approach [2.6520663596293437]
  新型コロナウイルスは現在200カ国以上で600万人が感染している。 人工知能を用いた新型コロナウイルススクリーニング手法を提案する。 私たちの技術は、患者のウイルスの存在を確認するのにほんの数秒しかかからない。
  論文  参考訳（メタデータ） (2020-06-26T16:33:01Z)

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。