論文の概要: Inferring probabilistic Boolean networks from steady-state gene data samples

• arxiv url: http://arxiv.org/abs/2211.05935v1
• Date: Fri, 11 Nov 2022 00:39:00 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-14 17:08:04.691329
• Title: Inferring probabilistic Boolean networks from steady-state gene data samples
• Title（参考訳）: 定常遺伝子データから確率的ブールネットワークを推定する
• Authors: Vytenis \v{S}liogeris, Leandros Maglaras, Sotiris Moschoyiannis
• Abstract要約: そこで本研究では,PBNが定常状態にある場合の実際の遺伝子発現データから,PBNを直接推定する手法を提案する。 提案手法は,ネットワークの状態変化の再構築には依存しない。 転移性メラノーマにおける遺伝子プロファイリングデータのサンプルについて,よく知られた研究から,本手法を実証する。
• 参考スコア（独自算出の注目度）: 0.6882042556551611
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Probabilistic Boolean Networks have been proposed for estimating the behaviour of dynamical systems as they combine rule-based modelling with uncertainty principles. Inferring PBNs directly from gene data is challenging however, especially when data is costly to collect and/or noisy, e.g., in the case of gene expression profile data. In this paper, we present a reproducible method for inferring PBNs directly from real gene expression data measurements taken when the system was at a steady state. The steady-state dynamics of PBNs is of special interest in the analysis of biological machinery. The proposed approach does not rely on reconstructing the state evolution of the network, which is computationally intractable for larger networks. We demonstrate the method on samples of real gene expression profiling data from a well-known study on metastatic melanoma. The pipeline is implemented using Python and we make it publicly available.
• Abstract（参考訳）: 確率的ブールネットワークは、規則に基づくモデリングと不確実性原理を組み合わせた動的システムの振る舞いを推定するために提案されている。 しかし、遺伝子データから直接pbnを推測することは、特に遺伝子発現プロファイルデータのように、データが収集および/または騒がしい場合、困難である。 本稿では,PBNが定常状態にある場合の実際の遺伝子発現データから直接的にPBNを推定する再現可能な手法を提案する。 PBNの定常力学は、生物学的機械の分析に特に関心がある。 提案手法は,大規模ネットワークでは計算に難渋するネットワークの状態変化を再構築するものではない。 転移性黒色腫における遺伝子プロファイリングデータのサンプルについて,本手法を実証した。 パイプラインはPythonを使って実装されており、公開しています。

関連論文リスト

• Inferring biological processes with intrinsic noise from cross-sectional data [0.8192907805418583]
  データから動的モデルを推定することは、計算生物学における重要な課題である。 確率フロー推論(PFI)は,ODE推論のアルゴリズム的容易性を維持しつつ,本質性から力を引き離すことを示す。 実例では,PFIは高次元反応ネットワークにおける正確なパラメータと力の推定を可能にし,分子ノイズによる細胞分化動態の推測を可能にする。
  論文  参考訳（メタデータ） (2024-10-10T00:33:25Z)
• Data-Driven Abstractions via Binary-Tree Gaussian Processes for Formal Verification [0.22499166814992438]
  ガウス過程(GP)回帰に基づく抽象的解は、量子化された誤差を持つデータから潜在システムの表現を学習する能力で人気を博している。 二分木ガウス過程(BTGP)により未知系のマルコフ連鎖モデルを構築することができることを示す。 BTGPの関数空間に真の力学が存在しない場合でも、統一公式による非局在誤差量子化を提供する。
  論文  参考訳（メタデータ） (2024-07-15T11:49:44Z)
• PhyloGFN: Phylogenetic inference with generative flow networks [57.104166650526416]
  本稿では,系統学における2つの中核的問題に対処するための生成フローネットワーク(GFlowNets)の枠組みを紹介する。 GFlowNetsは複雑な構造をサンプリングするのに適しているため、木トポロジー上の多重モード後部分布を探索し、サンプリングするのに自然な選択である。 我々は, 実際のベンチマークデータセット上で, 様々な, 高品質な進化仮説を生成できることを実証した。
  論文  参考訳（メタデータ） (2023-10-12T23:46:08Z)
• DynGFN: Towards Bayesian Inference of Gene Regulatory Networks with GFlowNets [81.75973217676986]
  遺伝子調節ネットワーク(GRN)は、遺伝子発現と細胞機能を制御する遺伝子とその産物間の相互作用を記述する。 既存の方法は、チャレンジ(1)、ダイナミックスから循環構造を識別すること、あるいはチャレンジ(2)、DAGよりも複雑なベイズ後部を学習することに焦点を当てるが、両方ではない。 本稿では、RNAベロシティ技術を用いて遺伝子発現の「速度」を推定できるという事実を活用し、両方の課題に対処するアプローチを開発する。
  論文  参考訳（メタデータ） (2023-02-08T16:36:40Z)
• An unfolding method based on conditional Invertible Neural Networks (cINN) using iterative training [0.0]
  非可逆ニューラルネットワーク(INN)のような生成ネットワークは確率的展開を可能にする。 模擬トレーニングサンプルとデータ間のずれを調整した展開のための反復条件INN(IcINN)を導入する。
  論文  参考訳（メタデータ） (2022-12-16T19:00:05Z)
• Isoform Function Prediction Using a Deep Neural Network [9.507435239304591]
  研究によると、ヒトのマルチエクソン遺伝子のうち95%以上が代替スプライシングを受けている。 代替スプライシングは、ヒトの健康と病気において重要な役割を果たす。 このプロジェクトは条件付きデータとmRNA配列、発現プロファイル、遺伝子グラフなどの貴重な情報を使用する。
  論文  参考訳（メタデータ） (2022-08-05T09:31:25Z)
• Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
  識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。 データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
  論文  参考訳（メタデータ） (2022-02-01T17:11:13Z)
• Improving Uncertainty Calibration via Prior Augmented Data [56.88185136509654]
  ニューラルネットワークは、普遍関数近似器として機能することで、複雑なデータ分布から学習することに成功した。 彼らはしばしば予測に自信過剰であり、不正確で誤った確率的予測に繋がる。 本稿では,モデルが不当に過信である特徴空間の領域を探索し,それらの予測のエントロピーをラベルの以前の分布に対して条件的に高める手法を提案する。
  論文  参考訳（メタデータ） (2021-02-22T07:02:37Z)
• Probabilistic Numeric Convolutional Neural Networks [80.42120128330411]
  画像や時系列などの連続的な入力信号は、不規則にサンプリングされたり、値が欠けていたりすることは、既存のディープラーニング手法では困難である。 ガウス過程(GP)として特徴を表す確率的畳み込みニューラルネットワークを提案する。 次に、畳み込み層を、このGP上で定義されたPDEの進化として定義し、次いで非線形性とする。 実験では,SuperPixel-MNISTデータセットの先行技術と医療時間2012データセットの競合性能から,提案手法の誤差を3倍に削減できることが示されている。
  論文  参考訳（メタデータ） (2020-10-21T10:08:21Z)
• Bootstrapping Neural Processes [114.97111530885093]
  ニューラル・プロセス(NP)は、ニューラルネットワークを用いた幅広いプロセスのクラスを暗黙的に定義する。 NPは、プロセスの不確実性は単一の潜在変数によってモデル化されるという仮定に依存している。 本稿では,ブートストラップを用いたNPファミリーの新規拡張であるBoostrapping Neural Process (BNP)を提案する。
  論文  参考訳（メタデータ） (2020-08-07T02:23:34Z)

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。