論文の概要: Interpretable neural architecture search and transfer learning for
understanding CRISPR/Cas9 off-target enzymatic reactions
- arxiv url: http://arxiv.org/abs/2305.11917v2
- Date: Fri, 29 Sep 2023 16:36:45 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-02 18:45:01.055086
- Title: Interpretable neural architecture search and transfer learning for
understanding CRISPR/Cas9 off-target enzymatic reactions
- Title（参考訳）: CRISPR/Cas9オフターゲット酵素反応の理解のための解釈可能なニューラルアーキテクチャ探索と伝達学習
- Authors: Zijun Zhang, Adam R. Lamson, Michael Shelley, Olga Troyanskaya
- Abstract要約: Elektrumは、生化学系の力学を決定するためのディープラーニングフレームワークである。
KINNは中間層として深い畳み込みニューラルネットワークに挿入される。
我々はEektrumを用いてCRISPR-Cas9のオフターゲット編集確率を予測し、最先端のパフォーマンスを実現することを実証する。
- 参考スコア（独自算出の注目度）: 3.5994174958472307
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Finely-tuned enzymatic pathways control cellular processes, and their
dysregulation can lead to disease. Creating predictive and interpretable models
for these pathways is challenging because of the complexity of the pathways and
of the cellular and genomic contexts. Here we introduce Elektrum, a deep
learning framework which addresses these challenges with data-driven and
biophysically interpretable models for determining the kinetics of biochemical
systems. First, it uses in vitro kinetic assays to rapidly hypothesize an
ensemble of high-quality Kinetically Interpretable Neural Networks (KINNs) that
predict reaction rates. It then employs a novel transfer learning step, where
the KINNs are inserted as intermediary layers into deeper convolutional neural
networks, fine-tuning the predictions for reaction-dependent in vivo outcomes.
Elektrum makes effective use of the limited, but clean in vitro data and the
complex, yet plentiful in vivo data that captures cellular context. We apply
Elektrum to predict CRISPR-Cas9 off-target editing probabilities and
demonstrate that Elektrum achieves state-of-the-art performance, regularizes
neural network architectures, and maintains physical interpretability.
- Abstract（参考訳）: 微細に調整された酵素経路は細胞過程を制御し、その解離は疾患を引き起こす。
これらの経路の予測および解釈可能なモデルの作成は、経路の複雑さと、細胞およびゲノムのコンテキストのため困難である。
本稿では,これらの課題を解決する深層学習フレームワークであるelektrumについて紹介する。
まず、in vitroの速度論的アッセイを用いて、反応速度を予測する高品質のKinetically Interpretable Neural Networks(KINN)のアンサンブルを迅速に仮説化します。
次に、新たなトランスファー学習ステップを採用し、キンを中間層として深い畳み込みニューラルネットワークに挿入し、反応依存性のin vivo結果の予測を微調整する。
elektrumは、限られたがクリーンなin vitroデータと、細胞のコンテキストをキャプチャする複雑なin vivoデータを有効に利用します。
我々は、Eektrumを用いてCRISPR-Cas9オフターゲット編集確率を予測し、Eektrumが最先端のパフォーマンスを実現し、ニューラルネットワークアーキテクチャを標準化し、物理的解釈可能性を維持することを示す。
関連論文リスト
- Learning with Chemical versus Electrical Synapses -- Does it Make a
Difference? [61.85704286298537]
バイオインスパイアされたニューラルネットワークは、ニューラルネットワークの理解を深め、AIシステムの最先端を改善する可能性がある。
我々は,光リアルな自律走行シミュレータを用いて自律車線維持実験を行い,その性能を種々の条件下で評価する。
論文 参考訳（メタデータ） (2023-11-21T13:07:20Z) - Evolutionary algorithms as an alternative to backpropagation for
supervised training of Biophysical Neural Networks and Neural ODEs [12.357635939839696]
本稿では,生物物理学に基づくニューラルネットワークの学習における「段階的推定」進化アルゴリズムの利用について検討する。
EAにはいくつかのアドバンテージがあり、直接BPよりも望ましいことが分かりました。
以上の結果から,生体物理学ニューロンはBP法の限界をテストする上で有用なベンチマークを提供する可能性が示唆された。
論文 参考訳（メタデータ） (2023-11-17T20:59:57Z) - Astrocytes as a mechanism for meta-plasticity and contextually-guided
network function [2.66269503676104]
アストロサイトは、ユビキタスでエニグマティックな非神経細胞である。
アストロサイトは脳機能や神経計算においてより直接的で活発な役割を果たす。
論文 参考訳（メタデータ） (2023-11-06T20:31:01Z) - Contrastive-Signal-Dependent Plasticity: Forward-Forward Learning of
Spiking Neural Systems [73.18020682258606]
我々は、ニューロンの個々の層が並列に機能する、スパイキングニューロンユニットからなる神経模倣アーキテクチャを開発する。
コントラスト信号依存塑性(CSDP)と呼ばれるイベントベース前方学習の一般化を提案する。
いくつかのパターンデータセットに対する実験結果から,CSDPプロセスは分類と再構成の両方が可能な動的再帰スパイクネットワークのトレーニングに有効であることが示された。
論文 参考訳（メタデータ） (2023-03-30T02:40:28Z) - Spiking neural network for nonlinear regression [68.8204255655161]
スパイクニューラルネットワークは、メモリとエネルギー消費を大幅に削減する可能性を持っている。
彼らは、次世代のニューロモルフィックハードウェアによって活用できる時間的および神経的疎結合を導入する。
スパイキングニューラルネットワークを用いた回帰フレームワークを提案する。
論文 参考訳（メタデータ） (2022-10-06T13:04:45Z) - EINNs: Epidemiologically-Informed Neural Networks [75.34199997857341]
本稿では,疫病予測のための新しい物理インフォームドニューラルネットワークEINNを紹介する。
メカニスティックモデルによって提供される理論的柔軟性と、AIモデルによって提供されるデータ駆動表現性の両方を活用する方法について検討する。
論文 参考訳（メタデータ） (2022-02-21T18:59:03Z) - 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) - Evolving spiking neuron cellular automata and networks to emulate in
vitro neuronal activity [0.0]
我々は生体内における生体ニューロンの行動パターンをエミュレートするスパイキング神経系を生産する。
我々のモデルは、ネットワーク全体の同期レベルを生成できた。
トップパフォーマンスモデルのゲノムは、生成した活動の複雑さを決定する上で、モデル内の接続の興奮性と密度が重要な役割を果たすことを示している。
論文 参考訳（メタデータ） (2021-10-15T17:55:04Z) - Modelling Neuronal Behaviour with Time Series Regression: Recurrent
Neural Networks on C. Elegans Data [0.0]
我々は、C. Elegansの神経システムを、異なるニューラルネットワークアーキテクチャを用いてデータ駆動モデルでモデル化し、シミュレートする方法を示す。
隠れ層の大きさが4単位のGRUモデルでは,異なる刺激に対するシステムの応答を高精度に再現可能であることを示す。
論文 参考訳（メタデータ） (2021-07-01T10:39:30Z) - Towards an Automatic Analysis of CHO-K1 Suspension Growth in
Microfluidic Single-cell Cultivation [63.94623495501023]
我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。
具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
論文 参考訳（メタデータ） (2020-10-20T08:36:51Z) - Autonomous Discovery of Unknown Reaction Pathways from Data by Chemical
Reaction Neural Network [0.0]
化学反応は、エネルギー、環境、生物、その他多くの自然システムで起こる。
本稿では、時間分解種濃度データから反応経路を自律的に発見するニューラルネットワークアプローチを提案する。
提案された化学反応ニューラルネットワーク(CRNN)は設計上、質量反応法やアレニウス法を含む基本的な物理法則を満たす。
論文 参考訳（メタデータ） (2020-02-20T23:36:46Z)
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。