Fugu-MT 論文翻訳(概要): RL-MD: A Novel Reinforcement Learning Approach for DNA Motif Discovery

論文の概要: RL-MD: A Novel Reinforcement Learning Approach for DNA Motif Discovery

arxiv url: http://arxiv.org/abs/2209.15181v1
Date: Fri, 30 Sep 2022 02:07:37 GMT
ステータス: 処理完了
システム内更新日: 2022-10-03 15:08:29.382469
Title: RL-MD: A Novel Reinforcement Learning Approach for DNA Motif Discovery
Title（参考訳）: RL-MD:DNAモチーフ発見のための新しい強化学習アプローチ
Authors: Wen Wang, Jianzong Wang, Shijing Si, Zhangcheng Huang, Jing Xiao
Abstract要約: RL-MDはDNAモチーフ発見タスクのための新しい強化学習に基づくアプローチである。 RL-MDは、乱れのないデータを入力とし、提案した各モチーフを評価するための相対情報に基づく手法を用いて、これらの連続評価結果を報酬として利用する。実世界のデータからRL-MDが高品質なモチーフを識別できることを示す実験結果が得られた。
参考スコア（独自算出の注目度）: 25.47916517236255
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The extraction of sequence patterns from a collection of functionally linked unlabeled DNA sequences is known as DNA motif discovery, and it is a key task in computational biology. Several deep learning-based techniques have recently been introduced to address this issue. However, these algorithms can not be used in real-world situations because of the need for labeled data. Here, we presented RL-MD, a novel reinforcement learning based approach for DNA motif discovery task. RL-MD takes unlabelled data as input, employs a relative information-based method to evaluate each proposed motif, and utilizes these continuous evaluation results as the reward. The experiments show that RL-MD can identify high-quality motifs in real-world data.
Abstract（参考訳）: 機能的に連結されていないDNA配列の集合から配列パターンを抽出することは、DNAモチーフ発見(英語版)として知られている。この問題に対処するために、ディープラーニングベースの技術が最近いくつか紹介されている。しかし、ラベル付きデータを必要とするため、現実の状況ではこれらのアルゴリズムは使用できない。本稿では,dnaモチーフ発見タスクのための新しい強化学習手法rl-mdを提案する。 rl-mdはラベルなしデータを入力として、提案する各モチーフを相対的情報ベース方式で評価し、この連続評価結果を報酬として利用する。実世界のデータからRL-MDが高品質なモチーフを識別できることを示す。

関連論文リスト

KinDEL: DNA-Encoded Library Dataset for Kinase Inhibitors [2.0179908661487986]
KinDELは2つのキナーゼ上のDELデータセットとして初めて公開された。我々は、ヒット識別のための予測モデルを開発するために、異なる機械学習手法をベンチマークする。我々は、分子の小さなサブセット上でモデルを検証するために、オンとオフの両方で生物物理学的なアッセイデータを提供する。
論文参考訳（メタデータ） (2024-10-11T16:03:58Z)
Unlocking Potential Binders: Multimodal Pretraining DEL-Fusion for Denoising DNA-Encoded Libraries [51.72836644350993]
マルチモーダルプレトレーニング DEL-Fusion Model (MPDF) 我々は,異なる複合表現とそれらのテキスト記述の対比対象を適用した事前学習タスクを開発する。本稿では, 原子, 分子, 分子レベルでの複合情報をアマルガメートする新しいDEL融合フレームワークを提案する。
論文参考訳（メタデータ） (2024-09-07T17:32:21Z)
Dy-mer: An Explainable DNA Sequence Representation Scheme using Sparse Recovery [6.733319363951907]
textbfDy-merはスパースリカバリに基づく説明可能で堅牢な表現スキームである。 DNAプロモーターの分類における最先端のパフォーマンスを達成し、textbf13%の精度向上をもたらす。
論文参考訳（メタデータ） (2024-07-06T15:08:31Z)
DNA Sequence Classification with Compressors [0.0]
本研究は,DNA配列解析に適した圧縮機を用いたパラメータフリー分類法を新たに導入する。この手法は、精度の観点から現在の最先端と整合するだけでなく、従来の機械学習手法よりもリソース効率の良い代替手段を提供する。
論文参考訳（メタデータ） (2024-01-25T09:17:19Z)
From Artificially Real to Real: Leveraging Pseudo Data from Large Language Models for Low-Resource Molecule Discovery [35.5507452011217]
分子発見のためのクロスモーダル技術は、しばしばデータ不足の問題に遭遇し、その性能と応用を妨げる。我々は,高品質な擬似データを構築するための検索ベースのプロンプト戦略を導入し,この擬似データを効果的に活用するための最適手法を探る。実験により、ドメイン適応のための擬似データの使用は、既存のすべてのメソッドより優れており、モデルスケールが小さく、データサイズが小さく、トレーニングコストも低いことが示されている。
論文参考訳（メタデータ） (2023-09-11T02:35:36Z)
A Survey of Meta-Reinforcement Learning [69.76165430793571]
我々は,メタRLと呼ばれるプロセスにおいて,機械学習問題自体として,より優れたRLアルゴリズムを開発した。本稿では,タスク分布の存在と各タスクに利用可能な学習予算に基づいて,高レベルでメタRL研究をクラスタ化する方法について議論する。 RL実践者のための標準ツールボックスにメタRLを組み込むことの道程について,オープンな問題を提示することによって,結論を下す。
論文参考訳（メタデータ） (2023-01-19T12:01:41Z)
Combining Feature and Instance Attribution to Detect Artifacts [62.63504976810927]
トレーニングデータアーティファクトの識別を容易にする手法を提案する。提案手法は,トレーニングデータのアーティファクトの発見に有効であることを示す。我々は,これらの手法が実際にNLP研究者にとって有用かどうかを評価するために,小規模なユーザスタディを実施している。
論文参考訳（メタデータ） (2021-07-01T09:26:13Z)
RL-DARTS: Differentiable Architecture Search for Reinforcement Learning [62.95469460505922]
我々は、強化学習(RL)における微分可能なアーキテクチャ探索(DARTS)の最初の応用の1つであるRL-DARTSを紹介する。画像エンコーダをDARTSスーパーネットに置き換えることにより、検索方法はサンプリング効率が高く、余分な計算資源が最小限必要であり、また、既存のコードに小さな変更を加える必要がなく、オフ・ポリティクスとオン・ポリティクスのRLアルゴリズムとも互換性がある。スーパーネットはより優れたセルを徐々に学習し、手作業で設計したポリシーに対して高い競争力を持つ代替アーキテクチャへとつながり、RLポリシーの以前の設計選択も検証できることを示す。
論文参考訳（メタデータ） (2021-06-04T03:08:43Z)
Comparing Machine Learning Algorithms with or without Feature Extraction for DNA Classification [0.7742297876120561]
3つの最先端アルゴリズム、すなわち、畳み込みニューラルネットワーク、ディープニューラルネットワーク、N-gram確率モデルがDNA分類のタスクに使用される。本稿では,レベンシュテイン距離とランダムに生成されたDNAサブ配列に基づく特徴抽出手法を提案する。 Covid-19、AIDS、インフルエンザ、C型肝炎などのウイルス性疾患に関する4つのデータセットが、それぞれ異なるアプローチを評価するために使用される。
論文参考訳（メタデータ） (2020-11-01T12:04:54Z)
Deep Representational Similarity Learning for analyzing neural signatures in task-based fMRI dataset [81.02949933048332]
本稿では、表現類似度分析(RSA)の深部拡張であるDRSL(Deep Representational similarity Learning)を開発する。 DRSLは、多数の被験者を持つfMRIデータセットにおける様々な認知タスク間の類似性を分析するのに適している。
論文参考訳（メタデータ） (2020-09-28T18:30:14Z)
A Systematic Approach to Featurization for Cancer Drug Sensitivity Predictions with Deep Learning [49.86828302591469]
35,000以上のニューラルネットワークモデルをトレーニングし、一般的な成果化技術を駆使しています。 RNA-seqは128以上のサブセットであっても非常に冗長で情報的であることがわかった。
論文参考訳（メタデータ） (2020-04-30T20:42:17Z)

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。