論文の概要: Inferring Gene Regulatory Neural Networks for Bacterial Decision Making
in Biofilms
- arxiv url: http://arxiv.org/abs/2301.04225v1
- Date: Tue, 10 Jan 2023 22:07:33 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-12 18:05:43.906539
- Title: Inferring Gene Regulatory Neural Networks for Bacterial Decision Making
in Biofilms
- Title(参考訳): バイオフィルムの細菌決定のための遺伝子制御ニューラルネットの推定
- Authors: Samitha Somathilaka, Daniel P. Martins, Xu Li, Yusong Li, Sasitharan
Balasubramaniam
- Abstract要約: 細菌細胞は環境を学習するのに用いられる様々な外部信号に敏感である。
遺伝性遺伝子制御ニューラルネットワーク(GRNN)の動作は、細胞決定を可能にする。
GRNNはバイオハイブリッドコンピューティングシステムのための計算タスクを実行できる。
- 参考スコア(独自算出の注目度): 4.459301404374565
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Bacterial cells are sensitive to a range of external signals used to learn
the environment. These incoming external signals are then processed using a
Gene Regulatory Network (GRN), exhibiting similarities to modern computing
algorithms. An in-depth analysis of gene expression dynamics suggests an
inherited Gene Regulatory Neural Network (GRNN) behavior within the GRN that
enables the cellular decision-making based on received signals from the
environment and neighbor cells. In this study, we extract a sub-network of
\textit{Pseudomonas aeruginosa} GRN that is associated with one virulence
factor: pyocyanin production as a use case to investigate the GRNN behaviors.
Further, using Graph Neural Network (GNN) architecture, we model a single
species biofilm to reveal the role of GRNN dynamics on ecosystem-wide
decision-making. Varying environmental conditions, we prove that the extracted
GRNN computes input signals similar to natural decision-making process of the
cell. Identifying of neural network behaviors in GRNs may lead to more accurate
bacterial cell activity predictive models for many applications, including
human health-related problems and agricultural applications. Further, this
model can produce data on causal relationships throughout the network, enabling
the possibility of designing tailor-made infection-controlling mechanisms. More
interestingly, these GRNNs can perform computational tasks for bio-hybrid
computing systems.
- Abstract(参考訳): 細菌細胞は環境を学習するのに用いられる様々な外部信号に敏感である。
これらの外部信号は遺伝子制御ネットワーク(GRN)を使用して処理され、現代の計算アルゴリズムと類似性を示す。
遺伝子発現動態の詳細な解析により、GRN内の遺伝性遺伝子制御ニューラルネットワーク(GRNN)の挙動が示唆され、環境や周辺細胞からの受信信号に基づいて細胞決定を可能にする。
本研究では, 緑膿菌GRNのサブネットワークを抽出し, 1つの病原性因子: ピオシアニン産生を指標として, GRNNの挙動を解明する。
さらに,グラフニューラルネットワーク(gnn)アーキテクチャを用いて単一種のバイオフィルムをモデル化し,grnnダイナミクスがエコシステム全体の意思決定に果たす役割を明らかにする。
環境条件を条件として,抽出したGRNNは,セルの自然な決定プロセスと同様の入力信号を計算する。
GRNにおけるニューラルネットワークの挙動の同定は、人間の健康問題や農業用途を含む多くの応用において、より正確な細菌の細胞活動予測モデルをもたらす可能性がある。
さらに,本モデルはネットワーク全体の因果関係に関するデータを生成することができ,感染制御機構を設計することができる。
さらに興味深いことに、これらのGRNNはバイオハイブリッドコンピューティングシステムのための計算タスクを実行することができる。
関連論文リスト
- Analysis of Gene Regulatory Networks from Gene Expression Using Graph Neural Networks [0.4369058206183195]
本研究では、遺伝子制御ネットワーク(GRN)のようなグラフ構造化データをモデリングするための強力なアプローチであるグラフニューラルネットワーク(GNN)の利用について検討する。
規制相互作用を正確に予測し、キーレギュレータをピンポイントするモデルの有効性は、高度な注意機構に起因している。
GNNのGRN研究への統合は、パーソナライズド医療、薬物発見、生物学的システムの把握における先駆的な発展を目標としている。
論文 参考訳(メタデータ) (2024-09-20T17:16:14Z) - Advancing Spiking Neural Networks for Sequential Modeling with Central Pattern Generators [47.371024581669516]
スパイキングニューラルネットワーク(SNN)は、人工ニューラルネットワークを開発するための有望なアプローチである。
SNNをテキスト分類や時系列予測といったシーケンシャルなタスクに適用することは、効果的でハードウェアフレンドリーなスパイク形式の位置符号化戦略を作成するという課題によって妨げられている。
CPG-PEと呼ばれる新しいSNNのためのPE手法を提案する。我々は、一般的に使われているsinusoidal PEが、数学的に特定のCPGの膜電位ダイナミクスの特定の解であることを実証する。
論文 参考訳(メタデータ) (2024-05-23T09:39:12Z) - Wet TinyML: Chemical Neural Network Using Gene Regulation and Cell
Plasticity [5.9659016963634315]
Wet TinyMLは、遺伝子制御ネットワークに基づく化学ベースのニューラルネットワークの一種である。
GRNNは、アプリケーションベースの検索プロセスを利用することで、従来の計算に使用できる。
本研究は, 細胞可塑性の誘導により, 動的システムに適合する数学的回帰進化を抽出できることを実証する。
論文 参考訳(メタデータ) (2024-03-13T14:00:18Z) - Inference of dynamical gene regulatory networks from single-cell data
with physics informed neural networks [0.0]
本稿では,物理インフォームドニューラルネットワーク(PINN)を用いて,予測的,動的 GRN のパラメータを推定する方法について述べる。
具体的には, 分岐挙動を示すGRNについて検討し, 細胞分化をモデル化する。
論文 参考訳(メタデータ) (2024-01-14T21:43:10Z) - scBiGNN: Bilevel Graph Representation Learning for Cell Type
Classification from Single-cell RNA Sequencing Data [62.87454293046843]
グラフニューラルネットワーク(GNN)は、セルタイプの自動分類に広く利用されている。
scBiGNNは2つのGNNモジュールから構成され、細胞型を識別する。
scBiGNNは、scRNA-seqデータから細胞型分類のための様々な方法より優れている。
論文 参考訳(メタデータ) (2023-12-16T03:54:26Z) - Causal Inference in Gene Regulatory Networks with GFlowNet: Towards
Scalability in Large Systems [87.45270862120866]
我々は、GRNにおける因果構造学習を強化する新しいフレームワークとしてSwift-DynGFNを紹介した。
具体的には、Swift-DynGFNは、並列化を高め、計算コストを下げるために、遺伝子的に独立性を利用する。
論文 参考訳(メタデータ) (2023-10-05T14:59:19Z) - Stability Analysis of Non-Linear Classifiers using Gene Regulatory
Neural Network for Biological AI [2.0755366440393743]
二重層転写翻訳化学反応モデルを用いた遺伝子パーセプトロンの数学的モデルを構築した。
我々は全接続GRNNサブネットワーク内の各遺伝子パーセプトロンの安定性解析を行い、時間的および安定した濃度出力を決定する。
論文 参考訳(メタデータ) (2023-09-14T21:37:38Z) - Granger causal inference on DAGs identifies genomic loci regulating
transcription [77.58911272503771]
GrID-Netは、DBG構造化システムにおけるGranger因果推論のためのラタグメッセージパッシングを備えたグラフニューラルネットワークに基づくフレームワークである。
我々の応用は、特定の遺伝子の調節を仲介するゲノム座を同定する単一セルマルチモーダルデータの解析である。
論文 参考訳(メタデータ) (2022-10-18T21:15:10Z) - Inference of Regulatory Networks Through Temporally Sparse Data [5.495223636885796]
ゲノム工学の大きな目標は、遺伝子制御ネットワーク(GRN)の複雑な動的挙動を適切に捉えることである。
本稿では,ベイズ最適化とカーネルベースの手法を用いて,GRNのスケーラブルかつ効率的なトポロジ推定法を開発した。
論文 参考訳(メタデータ) (2022-07-21T22:48:12Z) - Stochastic Graph Neural Networks [123.39024384275054]
グラフニューラルネットワーク(GNN)は、分散エージェント調整、制御、計画に応用したグラフデータの非線形表現をモデル化する。
現在のGNNアーキテクチャは理想的なシナリオを前提として,環境やヒューマンファクタ,あるいは外部攻撃によるリンク変動を無視している。
これらの状況において、GNNは、トポロジカルなランダム性を考慮していない場合、その分散タスクに対処することができない。
論文 参考訳(メタデータ) (2020-06-04T08:00:00Z) - Recurrent Neural Network Learning of Performance and Intrinsic
Population Dynamics from Sparse Neural Data [77.92736596690297]
本稿では,RNNの入出力動作だけでなく,内部ネットワークのダイナミクスも学習できる新しいトレーニング戦略を提案する。
提案手法は、RNNを訓練し、生理学的にインスパイアされた神経モデルの内部ダイナミクスと出力信号を同時に再現する。
注目すべきは、トレーニングアルゴリズムがニューロンの小さなサブセットの活性に依存する場合であっても、内部動力学の再現が成功することである。
論文 参考訳(メタデータ) (2020-05-05T14:16:54Z)
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。