論文の概要: DeepChrome 2.0: Investigating and Improving Architectures,
Visualizations, & Experiments
- arxiv url: http://arxiv.org/abs/2209.11923v1
- Date: Sat, 24 Sep 2022 04:55:50 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-27 16:50:18.141366
- Title: DeepChrome 2.0: Investigating and Improving Architectures,
Visualizations, & Experiments
- Title(参考訳): DeepChrome 2.0: アーキテクチャ、可視化、実験の調査と改善
- Authors: Saurav Kadavath, Samuel Paradis, Jacob Yeung
- Abstract要約: 我々は、ヒストン修飾シグナルを遺伝子発現にマッピングする分類器を訓練したDeepChromeの研究に基づいて構築した。
遺伝子制御のためのヒストン修飾の関連性に関する知見を提供するための新しい可視化手法を提案する。
その結果,ヒストン修飾シグナルと遺伝子発現の関係は細胞型とは無関係であることが示唆された。
- 参考スコア(独自算出の注目度): 2.191505742658975
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Histone modifications play a critical role in gene regulation. Consequently,
predicting gene expression from histone modification signals is a highly
motivated problem in epigenetics. We build upon the work of DeepChrome by Singh
et al. (2016), who trained classifiers that map histone modification signals to
gene expression. We present a novel visualization technique for providing
insight into combinatorial relationships among histone modifications for gene
regulation that uses a generative adversarial network to generate histone
modification signals. We also explore and compare various architectural
changes, with results suggesting that the 645k-parameter convolutional neural
network from DeepChrome has the same predictive power as a 12-parameter linear
network. Results from cross-cell prediction experiments, where the model is
trained and tested on datasets of varying sizes, cell-types, and correlations,
suggest the relationship between histone modification signals and gene
expression is independent of cell type. We release our PyTorch
re-implementation of DeepChrome on GitHub
\footnote{\url{github.com/ssss1029/gene_expression_294}}.\parfillskip=0pt
- Abstract(参考訳): ヒストン修飾は遺伝子調節において重要な役割を果たす。
したがって、ヒストン修飾シグナルから遺伝子発現を予測することはエピジェネティクスにおいて非常に動機づけられる問題である。
我々はSingh et al. (2016)によるDeepChromeの研究に基づいて、ヒストン修飾シグナルを遺伝子発現にマッピングする分類器を訓練した。
そこで本研究では,ヒストン修飾シグナルを生成するために,遺伝子制御のためのヒストン修飾因子の組合せ関係を可視化する新しい手法を提案する。
また,様々なアーキテクチャ変化を調査し比較した結果から,deepchromeの645kパラメータ畳み込みニューラルネットワークは12パラメータの線形ネットワークと同じ予測能力を持つことが示唆された。
異なるサイズ、細胞型、相関関係のデータセットを用いてモデルを訓練し、テストする細胞間予測実験の結果、ヒストン修飾信号と遺伝子発現の関係は細胞タイプに依存していることが示唆された。
我々は、deepchromeのpytorchの再実装をgithub上でリリースした。
\parfillskip=0pt である。
関連論文リスト
- Cell Graph Transformer for Nuclei Classification [78.47566396839628]
我々は,ノードとエッジを入力トークンとして扱うセルグラフ変換器(CGT)を開発した。
不愉快な特徴は、騒々しい自己注意スコアと劣等な収束につながる可能性がある。
グラフ畳み込みネットワーク(GCN)を利用して特徴抽出器を学習する新しいトポロジ対応事前学習法を提案する。
論文 参考訳(メタデータ) (2024-02-20T12:01:30Z) - Graph Coloring via Neural Networks for Haplotype Assembly and Viral
Quasispecies Reconstruction [8.828330486848753]
我々はグラフ表現学習と最適化を組み合わせたNeurHapと呼ばれる新しい手法を開発した。
我々の実験は、競合するアプローチと比較して、実データや合成データセットにおけるNeurHapの性能を著しく向上させる。
論文 参考訳(メタデータ) (2022-10-21T12:53:09Z) - SHINE: SubHypergraph Inductive Neural nEtwork [5.9952530228468754]
ハイパーグラフニューラルネットワークは、グラフのノード間のマルチウェイ接続をモデル化することができる。
現実世界のアプリケーションにおいて、サブグラフの強力な表現を学ぶには、未完成の必要性がある。
本稿では,精度の高いインダクティブサブグラフ予測のためのSubHypergraph Inductive Neural nEtwork(SHINE)を提案する。
論文 参考訳(メタデータ) (2022-10-13T19:26:09Z) - SemanticCAP: Chromatin Accessibility Prediction Enhanced by Features
Learning from a Language Model [3.0643865202019698]
本稿では、ゲノムのアクセス可能な領域を特定するためのSemanticCAPという新しいソリューションを提案する。
遺伝子配列のコンテキストをモデル化する遺伝子モデルを導入し、遺伝子配列の効果的な表現を提供する。
公開ベンチマークによる他のシステムと比較すると,我々のモデルは性能が向上することが判明した。
論文 参考訳(メタデータ) (2022-04-05T11:47:58Z) - Self-Supervised Graph Representation Learning for Neuronal Morphologies [75.38832711445421]
ラベルのないデータセットから3次元神経形態の低次元表現を学習するためのデータ駆動型アプローチであるGraphDINOを提案する。
2つの異なる種と複数の脳領域において、この方法では、専門家による手動の特徴に基づく分類と同程度に形態学的細胞型クラスタリングが得られることを示す。
提案手法は,大規模データセットにおける新しい形態的特徴や細胞型の発見を可能にする可能性がある。
論文 参考訳(メタデータ) (2021-12-23T12:17:47Z) - VEGN: Variant Effect Prediction with Graph Neural Networks [19.59965282985234]
本稿では,遺伝子と変異を持つ異種グラフ上で動作するグラフニューラルネットワーク(GNN)を用いて,変異効果予測をモデル化したVEGNを提案する。
このグラフは、変異体を遺伝子に割り当て、遺伝子-遺伝子相互作用ネットワークに遺伝子を接続することによって作成される。
VeGNは既存の最先端モデルの性能を改善する。
論文 参考訳(メタデータ) (2021-06-25T13:51:46Z) - 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) - SimpleChrome: Encoding of Combinatorial Effects for Predicting Gene
Expression [8.326669256957352]
遺伝子のヒストン修飾表現を学習するディープラーニングモデルであるSimpleChromeを紹介します。
このモデルから得られた特徴により、遺伝子間相互作用の潜在効果と標的遺伝子の発現に対する直接遺伝子調節をよりよく理解することができます。
論文 参考訳(メタデータ) (2020-12-15T23:30:36Z) - Category-Learning with Context-Augmented Autoencoder [63.05016513788047]
実世界のデータの解釈可能な非冗長表現を見つけることは、機械学習の鍵となる問題の一つである。
本稿では,オートエンコーダのトレーニングにデータ拡張を利用する新しい手法を提案する。
このような方法で変分オートエンコーダを訓練し、補助ネットワークによって変換結果を予測できるようにする。
論文 参考訳(メタデータ) (2020-10-10T14:04:44Z) - 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) - The Heterogeneity Hypothesis: Finding Layer-Wise Differentiated Network
Architectures [179.66117325866585]
我々は、通常見過ごされる設計空間、すなわち事前定義されたネットワークのチャネル構成を調整することを検討する。
この調整は、拡張ベースラインネットワークを縮小することで実現でき、性能が向上する。
画像分類、視覚追跡、画像復元のための様々なネットワークとデータセットで実験を行う。
論文 参考訳(メタデータ) (2020-06-29T17:59:26Z)
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。