論文の概要: Reactmine: a search algorithm for inferring chemical reaction networks from time series data

• arxiv url: http://arxiv.org/abs/2209.03185v1
• Date: Wed, 7 Sep 2022 14:30:33 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-08 12:55:55.126291
• Title: Reactmine: a search algorithm for inferring chemical reaction networks from time series data
• Title（参考訳）: reactmine:時系列データから化学反応ネットワークを推定する探索アルゴリズム
• Authors: Julien Martinelli, Jeremy Grignard (IRS), Sylvain Soliman, Annabelle Ballesta, Fran\c{c}ois Fages
• Abstract要約: 時系列データから化学反応ネットワーク(CRN)を推定することは、細胞レベルでの定量的時間的データの増加によって促進される課題である。 本稿では, 境界深さの探索木内に連続的に反応を推論することにより, 空間性を向上させるCRN学習アルゴリズムであるReactmineを提案する。 我々は、SINDyが失敗する隠れCRNを検索することで、Reactmineがシミュレーションデータに成功し、以前の研究と一致して反応を推測することで、2つの実際のデータセットに成功していることを示す。
• 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: Inferring chemical reaction networks (CRN) from time series data is a challenge encouraged by the growing availability of quantitative temporal data at the cellular level. This motivates the design of algorithms to infer the preponderant reactions between the molecular species observed in a given biochemical process, and help to build CRN model structure and kinetics. Existing ODE-based inference methods such as SINDy resort to least square regression combined with sparsity-enforcing penalization, such as Lasso. However, when the input time series are only available in wild type conditions in which all reactions are present, we observe that current methods fail to learn sparse models. Results: We present Reactmine, a CRN learning algorithm which enforces sparsity by inferring reactions in a sequential fashion within a search tree of bounded depth, ranking the inferred reaction candidates according to the variance of their kinetics, and re-optimizing the CRN kinetic parameters on the whole trace in a final pass to rank the inferred CRN candidates. We first evaluate its performance on simulation data from a benchmark of hidden CRNs, together with algorithmic hyperparameter sensitivity analyses, and then on two sets of real experimental data: one from protein fluorescence videomicroscopy of cell cycle and circadian clock markers, and one from biomedical measurements of systemic circadian biomarkers possibly acting on clock gene expression in peripheral organs. We show that Reactmine succeeds both on simulation data by retrieving hidden CRNs where SINDy fails, and on the two real datasets by inferring reactions in agreement with previous studies.
• Abstract（参考訳）: 時系列データから化学反応ネットワーク(CRN)を推定することは、細胞レベルでの定量的時間的データの増加によって促進される課題である。 これは、所定の生化学的過程で観察された分子種間のプレポンダラント反応を推測するアルゴリズムの設計を動機付け、crnモデルの構造と運動学を構築するのに役立つ。 SINDyのような既存のODEベースの推論手法は、最小二乗回帰に、Lassoのようなスパース性強化ペナル化と組み合わせる。 しかし、全ての反応が存在する野生の条件でのみ入力時系列が利用できる場合、現在の手法ではスパースモデルを学習できないことが観察される。 結果: CRN学習アルゴリズムであるReactmineは, 境界深さの探索木内で連続的に反応を推論し, 反応候補をそれらの速度のばらつきに応じてランク付けし, 最終パスにおけるCRNの運動パラメータを再最適化し, 予測されたCRN候補をランク付けすることで, 空間的疎結合性を向上させる。 まず、隠れたcrnのベンチマークとアルゴリズムによるハイパーパラメータの感度解析から得られたシミュレーションデータから、その性能をまず評価し、次に、細胞周期と概日時計マーカーのタンパク質蛍光ビデオ顕微鏡による2セットの実際の実験データと、周辺臓器の時計遺伝子発現に作用する可能性のある概日生物マーカーの生体医学的測定から評価した。 reactmineは、sindyが失敗した隠れcrnを検索することでシミュレーションデータに成功し、以前の研究と一致した反応を推論することで、2つの実際のデータセットに成功している。

関連論文リスト

• REST: Efficient and Accelerated EEG Seizure Analysis through Residual State Updates [54.96885726053036]
  本稿では,リアルタイム脳波信号解析のための新しいグラフベース残状態更新機構(REST)を提案する。 グラフニューラルネットワークとリカレント構造の組み合わせを活用することで、RESTは、非ユークリッド幾何学とEEGデータ内の時間的依存関係の両方を効率的にキャプチャする。 本モデルは,発作検出と分類作業において高い精度を示す。
  論文  参考訳（メタデータ） (2024-06-03T16:30:19Z)
• 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)
• Information geometric bound on general chemical reaction networks [0.0]
  我々は、自然勾配を用いた情報幾何学的手法を用いて、CRN力学の上限となる非線形系を開発する。 我々は,CRNの特定のクラスにおいて,より高速な収束を示す数値シミュレーションによるアプローチの有効性を検証した。 我々の研究はCRNに焦点を当てているが、自然科学から工学まで分野におけるハイパーグラフの普遍性は、我々の手法がより広範な応用を見出す可能性があることを示唆している。
  論文  参考訳（メタデータ） (2023-09-19T05:37:13Z)
• Continuous time recurrent neural networks: overview and application to forecasting blood glucose in the intensive care unit [56.801856519460465]
  連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。 重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
  論文  参考訳（メタデータ） (2023-04-14T09:39:06Z)
• Bayesian Inference for Jump-Diffusion Approximations of Biochemical Reaction Networks [26.744964200606784]
  マルコフ連鎖モンテカルロに基づく抽出可能なベイズ推定アルゴリズムを開発した。 このアルゴリズムは、部分的に観察されたマルチスケールの生死過程の例に対して数値的に評価される。
  論文  参考訳（メタデータ） (2023-04-13T14:57:22Z)
• DriPP: Driven Point Processes to Model Stimuli Induced Patterns in M/EEG Signals [62.997667081978825]
  我々はDriPPと呼ばれる新しい統計点過程モデルを開発する。 我々は、このモデルのパラメータを推定するために、高速で原理化された予測最大化(EM)アルゴリズムを導出する。 標準MEGデータセットの結果から,我々の手法が事象関連ニューラルレスポンスを明らかにすることが示された。
  論文  参考訳（メタデータ） (2021-12-08T13:07:21Z)
• Convolutional generative adversarial imputation networks for spatio-temporal missing data in storm surge simulations [86.5302150777089]
  GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。 提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
  論文  参考訳（メタデータ） (2021-11-03T03:50:48Z)
• Programming and Training Rate-Independent Chemical Reaction Networks [9.001036626196258]
  天然の生化学系は一般的に化学反応ネットワーク(CRN)によってモデル化される CRNは合成化学計算の仕様言語として使用できる。 本稿では, NC-CRNのプログラム手法について述べる。
  論文  参考訳（メタデータ） (2021-09-20T15:31:03Z)
• Retro*: Learning Retrosynthetic Planning with Neural Guided A* Search [83.22850633478302]
  反合成計画(retrosynthetic planning)は、ターゲット生成物の合成に繋がる一連の反応を特定する。 既存の手法では、高いばらつきを持つロールアウトによる高価なリターン推定が必要か、品質よりも探索速度を最適化する必要がある。 本稿では,高品質な合成経路を効率よく見つけるニューラルネットワークA*ライクなアルゴリズムRetro*を提案する。
  論文  参考訳（メタデータ） (2020-06-29T05:53:33Z)
• RED: Deep Recurrent Neural Networks for Sleep EEG Event Detection [0.0]
  我々は、リカレントイベント検出器(RED)と呼ばれる睡眠脳波イベント検出のための深層学習手法を提案する。 REDは2つの入力表現のうちの1つを使用している:a) 時間領域のEEG信号、またはb) 連続ウェーブレット変換(CWT)で得られる信号の複素スペクトル。 MASSデータセットで評価すると、我々の検出器は、それぞれ80.9%と82.6%の平均F1スコアで睡眠スピンドルとK-プレプレックス検出の両方において、技術の現状より優れています。
  論文  参考訳（メタデータ） (2020-05-15T21:48:26Z)
• Automated Deep Abstractions for Stochastic Chemical Reaction Networks [0.0]
  低レベル化学反応ネットワーク(CRN)モデルは高次元連続時間マルコフ連鎖(CTMC)を生じさせる 最近提案された抽象化手法では,このCTMCを離散時間連続空間プロセスに置き換えるためにディープラーニングを用いる。 本稿では、最適なニューラルネットワークアーキテクチャを学習することで、CRNの深い抽象化をさらに自動化することを提案する。
  論文  参考訳（メタデータ） (2020-01-30T13:49:58Z)

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。