論文の概要: Interpretable machine learning-accelerated seed treatment by
nanomaterials for environmental stress alleviation
- arxiv url: http://arxiv.org/abs/2304.03928v1
- Date: Sat, 8 Apr 2023 06:23:59 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-11 18:51:31.287073
- Title: Interpretable machine learning-accelerated seed treatment by
nanomaterials for environmental stress alleviation
- Title（参考訳）: ナノマテリアルによる機械学習による環境ストレス緩和の予測
- Authors: Hengjie Yu, Dan Luo, Sam F. Y. Li, Maozhen Qu, Da Liu, Yingchao He,
Fang Cheng
- Abstract要約: 56種のナノプライミング処理は、トウモロコシの環境ストレスを軽減するために用いられる。
7つの選択されたナノプライミング処理によりストレス抵抗指数(SRI)は13.9%増加し、塩分濃度は12.6%上昇した。
- 参考スコア（独自算出の注目度）: 1.4708448212559477
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Crops are constantly challenged by different environmental conditions. Seed
treatment by nanomaterials is a cost-effective and environmentally-friendly
solution for environmental stress mitigation in crop plants. Here, 56 seed
nanopriming treatments are used to alleviate environmental stresses in maize.
Seven selected nanopriming treatments significantly increase the stress
resistance index (SRI) by 13.9% and 12.6% under salinity stress and combined
heat-drought stress, respectively. Metabolomics data reveals that ZnO
nanopriming treatment, with the highest SRI value, mainly regulates the
pathways of amino acid metabolism, secondary metabolite synthesis, carbohydrate
metabolism, and translation. Understanding the mechanism of seed nanopriming is
still difficult due to the variety of nanomaterials and the complexity of
interactions between nanomaterials and plants. Using the nanopriming data, we
present an interpretable structure-activity relationship (ISAR) approach based
on interpretable machine learning for predicting and understanding its stress
mitigation effects. The post hoc and model-based interpretation approaches of
machine learning are combined to provide complementary benefits and give
researchers or policymakers more illuminating or trustworthy results. The
concentration, size, and zeta potential of nanoparticles are identified as
dominant factors for correlating root dry weight under salinity stress, and
their effects and interactions are explained. Additionally, a web-based
interactive tool is developed for offering prediction-level interpretation and
gathering more details about specific nanopriming treatments. This work offers
a promising framework for accelerating the agricultural applications of
nanomaterials and may profoundly contribute to nanosafety assessment.
- Abstract（参考訳）: 作物は環境条件によって常に挑戦される。
ナノマテリアルによる種子処理は、作物の環境ストレス軽減のための費用対効果と環境に優しいソリューションである。
ここでは56種類のシードナノプリミング処理を用いてトウモロコシの環境ストレスを軽減する。
選択された7つのナノプリミング処理により、塩分ストレスおよび熱乾燥ストレス下でのストレス抵抗指数(sri)は、それぞれ13.9%上昇し、12.6%上昇した。
メタボロミクスデータは、最も高いsri値を持つznoナノプリミング処理が、主にアミノ酸代謝、二次代謝物合成、炭水化物代謝、翻訳の経路を調節していることを示している。
種ナノプライミングのメカニズムを理解することは、ナノマテリアルの多様性とナノマテリアルと植物との相互作用の複雑さのために依然として難しい。
ナノプライミングデータを用いて、そのストレス軽減効果を予測・理解するための解釈可能な機械学習に基づく解釈可能な構造活性相関(ISAR)手法を提案する。
機械学習のhocとモデルに基づく解釈アプローチは、相補的なメリットを提供し、研究者や政策立案者がより明快で信頼できる結果を得るために組み合わせる。
ナノ粒子の濃度, サイズ, ゼータ電位を塩分濃度応力下での根の乾燥重量の関連要因として同定し, その効果と相互作用を解説した。
さらに、予測レベルの解釈を提供し、特定のナノプリミング処理の詳細を収集するためのwebベースのインタラクティブツールも開発されている。
この研究はナノマテリアルの農業的応用を加速するための有望な枠組みを提供し、ナノセーフティ評価に深く貢献する可能性がある。
関連論文リスト
- Dumpling GNN: Hybrid GNN Enables Better ADC Payload Activity Prediction Based on Chemical Structure [53.76752789814785]
DumplingGNNは、化学構造に基づいてADCペイロードのアクティビティを予測するために特別に設計された、ハイブリッドなグラフニューラルネットワークアーキテクチャである。
DNAトポイソメラーゼIインヒビターに着目した包括的ADCペイロードデータセットで評価を行った。
特別なADCペイロードデータセットに対して、例外的な精度(91.48%)、感度95.08%)、特異性(97.54%)を示す。
論文 参考訳（メタデータ） (2024-09-23T17:11:04Z) - AI and Machine Learning Approaches for Predicting Nanoparticles Toxicity The Critical Role of Physiochemical Properties [0.0]
本研究は, サイズ, 形状, 表面電荷, 化学組成などの物理化学的特性を解析し, 毒性への影響を明らかにすることに焦点を当てた。
本研究は, 酸素原子, 粒子径, 表面積, 投与量, 曝露期間が毒性に及ぼす影響を明らかにする。
論文 参考訳（メタデータ） (2024-09-06T08:36:42Z) - Physical formula enhanced multi-task learning for pharmacokinetics prediction [54.13787789006417]
AIによる薬物発見の大きな課題は、高品質なデータの不足である。
薬物動態の4つの重要なパラメータを同時に予測するPEMAL法を開発した。
実験の結果,PEMALは一般的なグラフニューラルネットワークに比べてデータ需要を著しく低減することがわかった。
論文 参考訳（メタデータ） (2024-04-16T07:42:55Z) - MAPE-PPI: Towards Effective and Efficient Protein-Protein Interaction
Prediction via Microenvironment-Aware Protein Embedding [82.31506767274841]
タンパク質-プロテイン相互作用(PPI)は、様々な生物学的過程において基本的であり、生命活動において重要な役割を果たしている。
MPAE-PPIは、十分に大きな「語彙」を介して、マイクロ環境を化学的に意味のある離散コードに符号化する
MPAE-PPIは、数百万のPPIでPPI予測にスケールでき、有効性と計算効率のトレードオフが優れている。
論文 参考訳（メタデータ） (2024-02-22T09:04:41Z) - Learning to Denoise Biomedical Knowledge Graph for Robust Molecular Interaction Prediction [50.7901190642594]
分子間相互作用予測のためのバイオKDN (Biomedical Knowledge Graph Denoising Network) を提案する。
BioKDNは、ノイズの多いリンクを学習可能な方法で識別することで、局所的な部分グラフの信頼性の高い構造を洗練する。
ターゲットの相互作用に関する関係を円滑にすることで、一貫性とロバストなセマンティクスを維持する。
論文 参考訳（メタデータ） (2023-12-09T07:08:00Z) - Sequence-Based Nanobody-Antigen Binding Prediction [1.7284653203366596]
ナノボディーの生産における重要な課題は、ほとんどの抗原に対してナノボディーが利用できないことである。
本研究は,シーケンスデータのみに基づいて,ナノボディ・アンティジェン結合を予測する機械学習手法を開発することを目的とする。
論文 参考訳（メタデータ） (2023-07-15T02:00:19Z) - Dynamic weights enabled Physics-Informed Neural Network for simulating
the mobility of Engineered Nano-particles in a contaminated aquifer [0.0]
工業用ナノ粒子 (ENPs) は, 地下水汚染物質のその場分解に有効な反応剤として出現している。
ENPの複雑な輸送と保持機構は、効率的な修復戦略の開発を妨げる。
この研究は、動的で重量対応の物理インフォームドニューラルネットワーク(dw-PINN)フレームワークを使用して、帯水層内のナノ粒子の挙動をモデル化する。
論文 参考訳（メタデータ） (2022-10-25T07:55:20Z) - Interpretable Drug Synergy Prediction with Graph Neural Networks for
Human-AI Collaboration in Healthcare [23.151336811933938]
本研究は,遺伝子と薬物の結合予測における遺伝子と薬物の制御関係を組み込むディープグラフニューラルネットワーク(IDSP)を提案する。
idspは遺伝子と薬物ノードの関係に基づいてエッジの重みを自動的に多層パーセプトロン(mlp)で学習し、インダクティブな方法で情報を集約する。
46種類のコアがんシグナル伝達経路の遺伝子と、NCIアルマナックの薬物併用スクリーニングデータからの薬物併用によるシグナルネットワーク上でIDWSPをテストします。
論文 参考訳（メタデータ） (2021-05-14T22:20:29Z) - Machine Learning in Nano-Scale Biomedical Engineering [77.75587007080894]
ナノスケールバイオメディカルエンジニアリングにおける機械学習の利用に関する既存の研究について概説する。
ML問題として定式化できる主な課題は、3つの主要なカテゴリに分類される。
提示された方法論のそれぞれについて、その原則、応用、制限に特に重点を置いている。
論文 参考訳（メタデータ） (2020-08-05T15:45:54Z) - Explainable Deep Relational Networks for Predicting Compound-Protein
Affinities and Contacts [80.69440684790925]
Deep Relationsは物理にインスパイアされた、本質的に説明可能なアーキテクチャを持つディープリレーショナルネットワークである。
それは最先端技術に対する優れた解釈可能性を示している。
接触予測 9.5, 16.9, 19.3, 5.7 倍の AUPRC をテスト用、複合ユニク、タンパク質ユニク、両ユニクセットで強化する。
論文 参考訳（メタデータ） (2019-12-29T00:14:07Z)
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。