Fugu-MT 論文翻訳(概要): Deep learning forward and reverse primer design to detect SARS-CoV-2 emerging variants

論文の概要: Deep learning forward and reverse primer design to detect SARS-CoV-2 emerging variants

arxiv url: http://arxiv.org/abs/2209.13591v1
Date: Sun, 25 Sep 2022 20:09:22 GMT
ステータス: 処理完了
システム内更新日: 2022-09-29 18:15:57.342326
Title: Deep learning forward and reverse primer design to detect SARS-CoV-2 emerging variants
Title（参考訳）: SARS-CoV-2新興変種検出のための深層学習と逆プライマー設計
Authors: Hanyu Wang and Emmanuel K. Tsinda and Anthony J. Dunn and Francis Chikweto and Nusreen Ahmed and Emanuela Pelosi and Alain B. Zemkoho
Abstract要約: 新型コロナウイルス感染者の急増はSARS-CoV-2変異の出現と関連している。我々は,SARS-CoV-2の変種を検出するために,前と逆のプライマーセットを設計する半自動手法を開発した。
参考スコア（独自算出の注目度）: 1.92488183401128
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Surges that have been observed at different periods in the number of COVID-19 cases are associated with the emergence of multiple SARS-CoV-2 (Severe Acute Respiratory Virus) variants. The design of methods to support laboratory detection are crucial in the monitoring of these variants. Hence, in this paper, we develop a semi-automated method to design both forward and reverse primer sets to detect SARS-CoV-2 variants. To proceed, we train deep Convolution Neural Networks (CNNs) to classify labelled SARS-CoV-2 variants and identify partial genomic features needed for the forward and reverse Polymerase Chain Reaction (PCR) primer design. Our proposed approach supplements existing ones while promoting the emerging concept of neural network assisted primer design for PCR. Our CNN model was trained using a database of SARS-CoV-2 full-length genomes from GISAID and tested on a separate dataset from NCBI, with 98\% accuracy for the classification of variants. This result is based on the development of three different methods of feature extraction, and the selected primer sequences for each SARS-CoV-2 variant detection (except Omicron) were present in more than 95 \% of sequences in an independent set of 5000 same variant sequences, and below 5 \% in other independent datasets with 5000 sequences of each variant. In total, we obtain 22 forward and reverse primer pairs with flexible length sizes (18-25 base pairs) with an expected amplicon length ranging between 42 and 3322 nucleotides. Besides the feature appearance, in-silico primer checks confirmed that the identified primer pairs are suitable for accurate SARS-CoV-2 variant detection by means of PCR tests.
Abstract（参考訳）: 複数のSARS-CoV-2 (Severe acute Respiratory Virus) 変異が出現し, 異なる期間に観察されたサージが関与している。実験室検出を支援する方法の設計は、これらの変異のモニタリングに不可欠である。そこで本研究では,SARS-CoV-2の変種を検出するために,前方および逆プライマーセットの両方を設計する半自動手法を開発した。そこで我々は深層畳み込みニューラルネットワーク(CNN)を訓練し,ラベル付きSARS-CoV-2変異体を分類し,PCRプライマーの設計に必要な部分ゲノム的特徴を同定する。提案手法は、PCRのためのニューラルネットワーク支援プライマー設計の新たな概念を推し進めながら、既存のものを補うものである。我々のCNNモデルは、GISAIDのSARS-CoV-2全長ゲノムのデータベースを用いて訓練され、NCBIとは別のデータセットで試験された。この結果は,3種類の特徴抽出法の開発に基づいており,各SARS-CoV-2変異検出(Omicronを除く)の選択プライマー配列は,5000の同変数列からなる独立データセットの95%以上,5000の同変数列を持つ他の独立データセットでは5以下であった。総じて,42個から3322個のヌクレオチドのアンプリコン長が期待できる,フレキシブルな長さ(18-25塩基対)を持つ22個の前列と逆列のプライマーペアを得た。特徴の他に, PCR法によるSARS-CoV-2変異検出には, 同定されたプライマーペアが適していることを確認した。

関連論文リスト

Hard-Attention Gates with Gradient Routing for Endoscopic Image Computing [3.146247125118741]
本稿では,動的特徴選択のためのFeatureSelection Gates (FSG) やHard-Attention Gates (HAG) を紹介する。この技術は、スパース接続を促進することにより、畳み込みニューラルネットワーク(CNN)とビジョントランスフォーマー(ViT)を強化することを目的としている。本稿では,HAGを拡張したネットワークが,ポリプサイズに関連する二分分類タスクと三分分類タスクの両方において,性能を大幅に向上させることを示す。
論文参考訳（メタデータ） (2024-07-05T10:20:24Z)
Benchmarking Machine Learning Robustness in Covid-19 Genome Sequence Classification [109.81283748940696]
我々は、IlluminaやPacBioといった一般的なシークエンシングプラットフォームのエラープロファイルを模倣するために、SARS-CoV-2ゲノム配列を摂動する方法をいくつか紹介する。シミュレーションに基づくいくつかのアプローチは、入力シーケンスに対する特定の敵攻撃に対する特定の埋め込み手法に対して、他の手法よりも堅牢(かつ正確)であることを示す。
論文参考訳（メタデータ） (2022-07-18T19:16:56Z)
Low-complexity deep learning frameworks for acoustic scene classification [64.22762153453175]
音響シーン分類(ASC)のための低複雑さ深層学習フレームワークを提案する。提案するフレームワークは、フロントエンドのスペクトログラム抽出、オンラインデータ拡張、バックエンドの分類、予測される確率の後期融合の4つの主要なステップに分けることができる。 DCASE 2022 Task 1 Development データセットで実施した実験は,低複雑さの要求を十分に満たし,最も高い分類精度を 60.1% で達成した。
論文参考訳（メタデータ） (2022-06-13T11:41:39Z)
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)
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)
Effective and scalable clustering of SARS-CoV-2 sequences [0.41998444721319206]
SARS-CoV-2は進化過程に従って変異し続けている。 GISAIDなどの公開データベースで現在利用可能なSARS-CoV-2のシーケンス数は数百万である。本稿では,現在のSARS-CoV-2変種をクラスタリングシーケンスに基づいて同定する手法を提案する。
論文参考訳（メタデータ） (2021-08-18T13:32:43Z)
A k-mer Based Approach for SARS-CoV-2 Variant Identification [55.78588835407174]
アミノ酸の順序を保つことで,分類器の精度が向上することを示す。また,アメリカ疾病予防管理センター(CDC)が報告した,変異の同定に重要な役割を担っているアミノ酸の重要性も示した。
論文参考訳（メタデータ） (2021-08-07T15:08:15Z)
End-2-End COVID-19 Detection from Breath & Cough Audio [68.41471917650571]
クラウドソースのオーディオサンプルからエンドツーエンドのディープラーニングを使用してCOVID-19を診断する最初の試みを実証します。本研究では, 人工深層ニューラルネットワークを用いて, 人工呼吸器から新型コロナを診断する新しいモデル戦略を提案する。
論文参考訳（メタデータ） (2021-01-07T01:13:00Z)
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-Net S: Towards computer-aided severity assessment via training and validation of deep neural networks for geographic extent and opacity extent scoring of chest X-rays for SARS-CoV-2 lung disease severity [58.23203766439791]
胸部X線(CXR)はSARS-CoV-2重症度を評価するためにしばしば用いられる。本研究では,深層学習システムを用いて,SARS-CoV-2肺疾患重症度に対するCXRのコンピュータ支援による評価の有効性を評価する。
論文参考訳（メタデータ） (2020-05-26T16:33:52Z)

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。