論文の概要: Graph-Based Active Machine Learning Method for Diverse and Novel Antimicrobial Peptides Generation and Selection

• arxiv url: http://arxiv.org/abs/2209.13518v1
• Date: Sun, 18 Sep 2022 14:30:48 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-02 23:21:28.586171
• Title: Graph-Based Active Machine Learning Method for Diverse and Novel Antimicrobial Peptides Generation and Selection
• Title（参考訳）: グラフに基づく新規抗菌ペプチド生成・選択のためのアクティブ機械学習手法
• Authors: Bonaventure F. P. Dossou, Dianbo Liu, Xu Ji, Moksh Jain, Almer M. van der Sloot, Roger Palou, Michael Tyers, Yoshua Bengio
• Abstract要約: 新しいAMP候補の大規模スクリーニングは高価で、時間もかかり、発展途上国では手頃な価格となっている。 本稿では,新しいAMPの設計に必要なウェットラブ実験の数を統計的に最小化する,アクティブ機械学習ベースのフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 57.131117785001194
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As antibiotic-resistant bacterial strains are rapidly spreading worldwide, infections caused by these strains are emerging as a global crisis causing the death of millions of people every year. Antimicrobial Peptides (AMPs) are one of the candidates to tackle this problem because of their potential diversity, and ability to favorably modulate the host immune response. However, large-scale screening of new AMP candidates is expensive, time-consuming, and now affordable in developing countries, which need the treatments the most. In this work, we propose a novel active machine learning-based framework that statistically minimizes the number of wet-lab experiments needed to design new AMPs, while ensuring a high diversity and novelty of generated AMPs sequences, in multi-rounds of wet-lab AMP screening settings. Combining recurrent neural network models and a graph-based filter (GraphCC), our proposed approach delivers novel and diverse candidates and demonstrates better performances according to our defined metrics.
• Abstract（参考訳）: 抗生物質耐性の細菌株が世界中で急速に普及しているため、毎年何百万人もの人が死亡する世界的な危機として、これらの菌株による感染症が出現している。 抗微生物ペプチド(AMP)は、その潜在的な多様性と宿主の免疫反応を良好に調節する能力のためにこの問題に対処する候補の1つである。 しかし、新しいAMP候補の大規模スクリーニングは高価で、時間もかかり、開発途上国では最も治療を必要とする。 本研究では,新しいAMPの設計に必要なウェットラブ実験の数を統計的に最小化するとともに,マルチラウンドのウェットラブAMPスクリーニング設定において,生成されたAMP配列の多様性と新規性を確保できる,アクティブ機械学習ベースのフレームワークを提案する。 繰り返し発生するニューラルネットワークモデルとグラフベースのフィルタ(graphcc)を組み合わせることで,提案手法は新規で多様な候補を導出し,我々の定義した指標によりよりよいパフォーマンスを示す。

関連論文リスト

• BetterBodies: Reinforcement Learning guided Diffusion for Antibody Sequence Design [10.6101758867776]
  抗体は様々な疾患の治療に大きな可能性を秘めている。 従来の湿式検査方法による治療抗体の発見は高価で時間を要する。 抗体の設計における生成モデルの使用は、時間とリソースを削減できるため、大きな約束となる。
  論文  参考訳（メタデータ） (2024-09-09T13:06:01Z)
• HMAMP: Hypervolume-Driven Multi-Objective Antimicrobial Peptides Design [11.891046340221735]
  本稿では, 抗微生物ペプチド (AMP) 設計における複数の特性を考慮したパラダイムシフトを提案する。 AMP概念のハイパーボリュームに根ざした強化学習と降下アルゴリズムの相乗化により、HMAMPは探索空間を効果的に拡張し、パターン崩壊の問題を緩和する。 10個の候補AMPに対するヘリカル構造と分子動力学シミュレーションの詳細な解析は、多目的AMP設計の領域におけるHMAMPの優位性を検証する。
  論文  参考訳（メタデータ） (2024-05-01T07:17:59Z)
• Artificial intelligence-driven antimicrobial peptide discovery [0.0]
  抗微生物ペプチド(AMP)は、抗微生物抵抗性に対する有望な薬剤として出現する。 AMPは従来の抗生物質の代替となる。 人工知能(AI)は、差別と生成の両方のアプローチを通じてAMP発見に革命をもたらした。
  論文  参考訳（メタデータ） (2023-08-21T14:02:14Z)
• Adaptive Identification of Populations with Treatment Benefit in Clinical Trials: Machine Learning Challenges and Solutions [78.31410227443102]
  確定的臨床試験において,特定の治療の恩恵を受ける患者サブポピュレーションを適応的に同定する問題について検討した。 サブポピュレーション構築のためのメタアルゴリズムであるAdaGGIとAdaGCPIを提案する。
  論文  参考訳（メタデータ） (2022-08-11T14:27:49Z)
• Biological Sequence Design with GFlowNets [75.1642973538266]
  望ましい性質を持つデノボ生物配列の設計には、数ラウンドの分子のアイデアと高価なウェットラブ評価を伴う活性ループが伴うことが多い。 これにより、提案された候補の多様性は、構想段階において重要な考慮事項となる。 本稿では,不確実性推定と近年提案されているGFlowNetを多種多様な候補解の生成元として活用した能動的学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-03-02T15:53:38Z)
• HMD-AMP: Protein Language-Powered Hierarchical Multi-label Deep Forest for Annotating Antimicrobial Peptides [5.61222966894307]
  各種AMPデータベースからアミノ酸を収集, 洗浄することにより, 多様な多ラベルタンパク質配列データベースを構築した。 我々は、AMPを包括的にアノテートするために、エンドツーエンドの階層型多ラベル深い森林フレームワーク、HMD-AMPを開発した。 AMPを特定した後、AMPが効果的に11の利用可能なクラスから殺すことができるターゲットを予測します。
  論文  参考訳（メタデータ） (2021-11-11T02:10:07Z)
• Towards an Automatic Analysis of CHO-K1 Suspension Growth in Microfluidic Single-cell Cultivation [63.94623495501023]
  我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。 具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
  論文  参考訳（メタデータ） (2020-10-20T08:36:51Z)
• 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)
• Accelerating Antimicrobial Discovery with Controllable Deep Generative Models and Molecular Dynamics [109.70543391923344]
  CLaSS(Controlled Latent attribute Space Smpling)は、分子の属性制御のための効率的な計算手法である。 深層学習分類器と原子論シミュレーションから得られた新しい特徴を併用して, 生成分子を付加的なキー属性としてスクリーニングする。 提案手法は, 強い広帯域能を有する非毒性抗菌性ペプチド(AMP)を設計するためのものである。
  論文  参考訳（メタデータ） (2020-05-22T15:57:58Z)

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。