論文の概要: GeneFormer: Learned Gene Compression using Transformer-based Context Modeling

• arxiv url: http://arxiv.org/abs/2212.08379v1
• Date: Fri, 16 Dec 2022 10:12:54 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-19 16:23:24.301618
• Title: GeneFormer: Learned Gene Compression using Transformer-based Context Modeling
• Title（参考訳）: geneformer:transformerベースのコンテキストモデリングを用いた学習型遺伝子圧縮
• Authors: Zhanbei Cui, Yu Liao, Tongda Xu, Yan Wang
• Abstract要約: そこで我々はGeneFormerというトランスフォーマーに基づく遺伝子圧縮手法を提案する。 実世界のデータセットを用いた実験結果から,本手法は最先端手法と比較して29.7%のビットレートを節約できることがわかった。
• 参考スコア（独自算出の注目度）: 4.703890350754107
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the development of gene sequencing technology, an explosive growth of gene data has been witnessed. And the storage of gene data has become an important issue. Traditional gene data compression methods rely on general software like G-zip, which fails to utilize the interrelation of nucleotide sequence. Recently, many researchers begin to investigate deep learning based gene data compression method. In this paper, we propose a transformer-based gene compression method named GeneFormer. Specifically, we first introduce a modified transformer structure to fully explore the nucleotide sequence dependency. Then, we propose fixed-length parallel grouping to accelerate the decoding speed of our autoregressive model. Experimental results on real-world datasets show that our method saves 29.7% bit rate compared with the state-of-the-art method, and the decoding speed is significantly faster than all existing learning-based gene compression methods.
• Abstract（参考訳）: 遺伝子シークエンシング技術の発展に伴い、遺伝子データの爆発的な成長が見られた。 そして、遺伝子データの保存は重要な問題となっている。 従来の遺伝子データ圧縮法はG-zipのような一般的なソフトウェアに依存しており、ヌクレオチド配列の相互関係を利用できない。 近年,深層学習に基づく遺伝子データ圧縮法が研究されている。 本稿では,GeneFormerというトランスフォーマーを用いた遺伝子圧縮手法を提案する。 具体的には、まず、ヌクレオチド配列依存を完全に探求するために、修正トランスフォーマー構造を導入する。 そこで我々は,自己回帰モデルの復号速度を高速化する固定長並列グルーピングを提案する。 実世界のデータセットを用いた実験の結果,本手法は最先端法に比べて29.7%のビットレートを節約でき,既存の学習系遺伝子圧縮法に比べて復号速度は著しく速いことがわかった。

関連論文リスト

• An Evolutional Neural Network Framework for Classification of Microarray Data [0.0]
  本研究の目的は,遺伝的アルゴリズムとニューラルネットワークのハイブリッドモデルを用いて,情報的遺伝子のサブセット選択において問題を克服することである。 実験の結果,提案手法は,他の機械学習アルゴリズムと比較して,高い精度と最小数の選択遺伝子が示唆された。
  論文  参考訳（メタデータ） (2024-11-20T13:48:40Z)
• Weighted Diversified Sampling for Efficient Data-Driven Single-Cell Gene-Gene Interaction Discovery [56.622854875204645]
  本稿では,遺伝子・遺伝子相互作用の探索に先進的なトランスフォーマーモデルを活用する,データ駆動型計算ツールを活用した革新的なアプローチを提案する。 新たな重み付き多様化サンプリングアルゴリズムは、データセットのたった2パスで、各データサンプルの多様性スコアを算出する。
  論文  参考訳（メタデータ） (2024-10-21T03:35:23Z)
• Predicting Genetic Mutation from Whole Slide Images via Biomedical-Linguistic Knowledge Enhanced Multi-label Classification [119.13058298388101]
  遺伝子変異予測性能を向上させるため,生物知識を付加したPathGenomic Multi-label Transformerを開発した。 BPGTはまず、2つの慎重に設計されたモジュールによって遺伝子前駆体を構成する新しい遺伝子エンコーダを確立する。 BPGTはその後ラベルデコーダを設計し、最終的に2つの調整されたモジュールによる遺伝的突然変異予測を行う。
  論文  参考訳（メタデータ） (2024-06-05T06:42:27Z)
• 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)
• GENER: A Parallel Layer Deep Learning Network To Detect Gene-Gene Interactions From Gene Expression Data [0.7660368798066375]
  本稿では,遺伝子発現データを用いた遺伝子関係の同定専用に設計された並列層深層学習ネットワークを提案する。 本モデルでは,BioGRIDとDREAM5の組み合わせによる平均AUROCスコア0.834を達成し,遺伝子間相互作用を予測する競合手法よりも優れていた。
  論文  参考訳（メタデータ） (2023-10-05T15:45:53Z)
• Machine Learning Methods for Cancer Classification Using Gene Expression Data: A Review [77.34726150561087]
  がんは心臓血管疾患の2番目の死因である。 遺伝子発現は癌の早期発見において基本的な役割を担っている。 本研究は,機械学習を用いた癌分類における遺伝子発現解析の最近の進歩を概説する。
  論文  参考訳（メタデータ） (2023-01-28T15:03:03Z)
• Natural language processing for clusterization of genes according to their functions [62.997667081978825]
  本稿では,数千の遺伝子の解析を減らし,複数のクラスタの解析を行うアプローチを提案する。 これらの記述は、事前訓練された言語モデル(BERT)といくつかのテキスト処理アプローチを用いてベクトルとして符号化される。
  論文  参考訳（メタデータ） (2022-07-17T12:59:34Z)
• Deep metric learning improves lab of origin prediction of genetically engineered plasmids [63.05016513788047]
  遺伝工学の属性(GEA)は、配列-ラブの関連を作る能力である。 本稿では,計量学習に基づいて,最も可能性の高い実験室をランク付けする手法を提案する。 我々は、特定の実験室のプラスミド配列のキーシグネチャを抽出することができ、モデル出力の解釈可能な検査を可能にする。
  論文  参考訳（メタデータ） (2021-11-24T16:29:03Z)
• 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)
• Mining Functionally Related Genes with Semi-Supervised Learning [0.0]
  我々は、豊富な機能セットを導入し、半教師付き学習アプローチとともにそれらを使用する。 正およびラベルなし例(LPU)による学習の枠組みは機能的関連遺伝子のマイニングに特に適していることが示されている。
  論文  参考訳（メタデータ） (2020-11-05T20:34:09Z)
• A Novel Granular-Based Bi-Clustering Method of Deep Mining the Co-Expressed Genes [76.84066556597342]
  ビクラスタリング法は、サンプル(遺伝子)のサブセットが試験条件下で協調的に制御されるバイクラスタをマイニングするために用いられる。 残念ながら、従来の二クラスタ法はそのような二クラスタを発見するのに完全には効果がない。 本稿では,グラニュラーコンピューティングの理論を取り入れた新しい2クラスタリング手法を提案する。
  論文  参考訳（メタデータ） (2020-05-12T02:04:40Z)

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。