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
- 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) - Fast and Functional Structured Data Generators Rooted in
Out-of-Equilibrium Physics [62.997667081978825]
エネルギーモデルを用いて、構造化データセットで高品質なラベル特化データを生成するという課題に対処する。
伝統的な訓練方法は、マルコフ連鎖モンテカルロ混合による困難に遭遇する。
非平衡効果を利用した新しいトレーニングアルゴリズムを用いる。
論文 参考訳(メタデータ) (2023-07-13T15:08:44Z) - 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) - GENIE: Large Scale Pre-training for Text Generation with Diffusion Model [86.2022500090247]
GENIEは、Transformerと拡散を組み合わせたシーケンス・ツー・シーケンスのテキスト生成モデルである。
本研究では,拡散モデルの特徴を基礎として,連続段落認知という新しい事前学習手法を提案する。
論文 参考訳(メタデータ) (2022-12-22T13:17:11Z) - 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) - Spatial Transcriptomics Dimensionality Reduction using Wavelet Bases [0.76146285961466]
空間構造を保持する遺伝子発現次元減少アルゴリズムを提案する。
ウェーブレット変換と行列分解を組み合わせ、空間的に変化する遺伝子を選択する。
グローバル空間パターンをキャプチャする抽出された表現遺伝子を可視化する。
論文 参考訳(メタデータ) (2022-05-19T04:13:51Z) - 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。