論文の概要: An Artificial Chemistry Implementation of a Gene Regulatory Network

• arxiv url: http://arxiv.org/abs/2209.04114v1
• Date: Fri, 9 Sep 2022 04:06:39 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-12 12:31:29.504096
• Title: An Artificial Chemistry Implementation of a Gene Regulatory Network
• Title（参考訳）: 遺伝子制御ネットワークの人工化学による実装
• Authors: Iliya Miralavy and Wolfgang Banzhaf
• Abstract要約: 遺伝子制御ネットワーク(英: Gene Regulatory Networks)は、タンパク質とペプチドの生産レベルを決定する生物学的生物の相互作用ネットワークである。 本研究では、細胞オートマタと人工化学を組み込んだ、生物学的により現実的な遺伝子制御ネットワークモデルを提案する。 システムの初期状態が生成したダイナミクスに与える影響の分析を行い、そのような進化可能なモデルが所望のタンパク質のダイナミクスの生成に向けられることを示した。
• 参考スコア（独自算出の注目度）: 3.270664282725826
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Gene Regulatory Networks are networks of interactions in biological organisms responsible for determining the production levels of proteins and peptides. Proteins are workers of a cell factory, and their production defines the goal of a cell and its development. Various attempts have been made to model such networks both to understand these biological systems better and to use inspiration from understanding them to solve computational problems. In this work, a biologically more realistic model for gene regulatory networks is proposed, which incorporates Cellular Automata and Artificial Chemistry to model the interactions between regulatory proteins called the Transcription Factors and the regulatory sites of genes. The result of this work shows complex dynamics close to what can be observed in nature. Here, an analysis of the impact of the initial states of the system on the produced dynamics is performed, showing that such evolvable models can be directed towards producing desired protein dynamics.
• Abstract（参考訳）: 遺伝子制御ネットワーク(英: Gene Regulatory Networks)は、タンパク質とペプチドの生産レベルを決定する生物学的生物の相互作用ネットワークである。 タンパク質は細胞工場の労働者であり、その生産は細胞とその発達の目標を定義する。 このようなネットワークをモデル化して、これらの生物学的システムをよりよく理解し、それらの理解からインスピレーションを得て計算問題を解こうとする様々な試みがなされている。 本研究は、細胞オートマトンと人工化学を組み込んで、転写因子と呼ばれる転写タンパク質と遺伝子の調節部位の間の相互作用をモデル化する、遺伝子制御ネットワークの生物学的により現実的なモデルを提案する。 この研究の成果は、自然界で観察できるものに近い複雑なダイナミクスを示している。 ここでは、システムの初期状態が生成したダイナミクスに与える影響の分析を行い、そのような進化可能なモデルが所望のタンパク質ダイナミクスの生成に向けられることを示す。

関連論文リスト

• Long-context Protein Language Model [76.95505296417866]
  言語モデル(LM)の自己教師による訓練は、有意義な表現の学習や創薬設計において、タンパク質配列に大きな成功を収めている。 ほとんどのタンパク質LMは、短い文脈長を持つ個々のタンパク質に基づいて訓練されたトランスフォーマーアーキテクチャに基づいている。 そこで我々は,選択的構造化状態空間モデルから構築した代替のタンパク質LMアーキテクチャであるBiMamba-Sに基づくLC-PLMを提案する。 また、第2段階のトレーニングのために、タンパク質-タンパク質相互作用グラフの文脈化を行うLC-PLM-Gも導入した。
  論文  参考訳（メタデータ） (2024-10-29T16:43:28Z)
• Engineering morphogenesis of cell clusters with differentiable programming [2.0690546196799042]
  我々は,発達モデルにおいて,創発的,システムレベルの特性をもたらす局所的相互作用規則と遺伝的ネットワークを発見する。 複雑な発達シナリオにおいて,細胞間相互作用と遺伝的ネットワークのパラメータを同時に学習できることが示される。
  論文  参考訳（メタデータ） (2024-07-08T18:05:11Z)
• Wet TinyML: Chemical Neural Network Using Gene Regulation and Cell Plasticity [5.9659016963634315]
  Wet TinyMLは、遺伝子制御ネットワークに基づく化学ベースのニューラルネットワークの一種である。 GRNNは、アプリケーションベースの検索プロセスを利用することで、従来の計算に使用できる。 本研究は, 細胞可塑性の誘導により, 動的システムに適合する数学的回帰進化を抽出できることを実証する。
  論文  参考訳（メタデータ） (2024-03-13T14:00:18Z)
• Causal machine learning for single-cell genomics [94.28105176231739]
  単細胞ゲノミクスへの機械学習技術の応用とその課題について論じる。 まず, 単一細胞生物学における現在の因果的アプローチの基盤となるモデルについて述べる。 次に、単一セルデータへの因果的アプローチの適用におけるオープンな問題を特定する。
  論文  参考訳（メタデータ） (2023-10-23T13:35:24Z)
• A Latent Diffusion Model for Protein Structure Generation [50.74232632854264]
  本稿では,タンパク質モデリングの複雑さを低減できる潜在拡散モデルを提案する。 提案手法は, 高い設計性と効率性を有する新規なタンパク質のバックボーン構造を効果的に生成できることを示す。
  論文  参考訳（メタデータ） (2023-05-06T19:10:19Z)
• Zyxin is all you need: machine learning adherent cell mechanics [0.0]
  データ駆動型生体物理モデリング手法を開発し、接着細胞の力学的挙動を学習する。 まず、細胞骨格タンパク質の画像から付着細胞が生成する力を予測するためにニューラルネットワークを訓練する。 次に、我々は、細胞力のデータ駆動モデルを構築するのに役立つ2つのアプローチ(一つは物理学によって明示的に制約された、もう一つは連続体)を開発します。
  論文  参考訳（メタデータ） (2023-03-01T02:08:40Z)
• Learning Geometrically Disentangled Representations of Protein Folding Simulations [72.03095377508856]
  この研究は、薬物標的タンパク質の構造的アンサンブルに基づいて生成ニューラルネットワークを学習することに焦点を当てている。 モデル課題は、様々な薬物分子に結合したタンパク質の構造的変動を特徴付けることである。 その結果,我々の幾何学的学習に基づく手法は,複雑な構造変化を生成するための精度と効率の両方を享受できることがわかった。
  論文  参考訳（メタデータ） (2022-05-20T19:38:00Z)
• Evolving spiking neuron cellular automata and networks to emulate in vitro neuronal activity [0.0]
  我々は生体内における生体ニューロンの行動パターンをエミュレートするスパイキング神経系を生産する。 我々のモデルは、ネットワーク全体の同期レベルを生成できた。 トップパフォーマンスモデルのゲノムは、生成した活動の複雑さを決定する上で、モデル内の接続の興奮性と密度が重要な役割を果たすことを示している。
  論文  参考訳（メタデータ） (2021-10-15T17:55:04Z)
• Incorporating network based protein complex discovery into automated model construction [6.587739898387445]
  本稿では, 知識を取り入れた癌表現型ネットワークの遺伝子発現解析手法を提案する。 計算グラフの構造的構造は、タンパク質-タンパク質ネットワーク上のトポロジ的クラスタリングアルゴリズムを用いて決定される。
  論文  参考訳（メタデータ） (2020-09-29T18:46:33Z)
• BERTology Meets Biology: Interpreting Attention in Protein Language Models [124.8966298974842]
  注目レンズを用いたタンパク質トランスフォーマーモデルの解析方法を示す。 注意はタンパク質の折りたたみ構造を捉え、基礎となる配列では遠く離れているが、三次元構造では空間的に近接しているアミノ酸を接続する。 また、注意とタンパク質構造との相互作用を三次元的に可視化する。
  論文  参考訳（メタデータ） (2020-06-26T21:50:17Z)
• ProGen: Language Modeling for Protein Generation [47.32931317203297]
  タンパク質工学のための生成モデリングは、合成生物学、医学、物質科学における根本的な問題を解決する鍵となる。 コストのかかる構造アノテーションが欠如しているタンパク質の指数関数的に増加する集合を活用するために、タンパク質工学を教師なしシーケンス生成問題として採用する。
  論文  参考訳（メタデータ） (2020-03-08T04:27:16Z)

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。