論文の概要: SBMLtoODEjax: efficient simulation and optimization of ODE SBML models
in JAX
- arxiv url: http://arxiv.org/abs/2307.08452v1
- Date: Mon, 17 Jul 2023 12:47:33 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-18 13:25:39.946867
- Title: SBMLtoODEjax: efficient simulation and optimization of ODE SBML models
in JAX
- Title(参考訳): SBMLtoODEjax:JAXにおけるODE SBMLモデルの効率的なシミュレーションと最適化
- Authors: Mayalen Etcheverry, Michael Levin, Cl\'ement Moulin-Frier, Pierre-Yves
Oudeyer
- Abstract要約: SBMLtoODEjax は SBML モデルを JAX で記述された python モデルに自動解析および変換できるライブラリである。
- 参考スコア(独自算出の注目度): 18.891206817734172
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Developing methods to explore, predict and control the dynamic behavior of
biological systems, from protein pathways to complex cellular processes, is an
essential frontier of research for bioengineering and biomedicine. Thus,
significant effort has gone in computational inference and mathematical
modeling of biological systems. This effort has resulted in the development of
large collections of publicly-available models, typically stored and exchanged
on online platforms (such as the BioModels Database) using the Systems Biology
Markup Language (SBML), a standard format for representing mathematical models
of biological systems. SBMLtoODEjax is a lightweight library that allows to
automatically parse and convert SBML models into python models written
end-to-end in JAX, a high-performance numerical computing library with
automatic differentiation capabilities. SBMLtoODEjax is targeted at researchers
that aim to incorporate SBML-specified ordinary differential equation (ODE)
models into their python projects and machine learning pipelines, in order to
perform efficient numerical simulation and optimization with only a few lines
of code. SBMLtoODEjax is available at
https://github.com/flowersteam/sbmltoodejax.
- Abstract(参考訳): タンパク質経路から複雑な細胞プロセスまで、生体システムの動的挙動を探索、予測、制御する手法の開発は、バイオエンジニアリングとバイオメディシンの研究において不可欠なフロンティアである。
このように、生物学的システムの計算推論と数学的モデリングに多大な努力が注がれている。
この取り組みにより、一般にオンラインプラットフォーム(BioModels Databaseなど)に格納・交換される公開モデルの大規模なコレクションが、生物学的システムの数学的モデルを表現するための標準フォーマットであるSystems Biology Markup Language (SBML)を使用して開発された。
SBMLtoODEjaxは軽量なライブラリで、SBMLモデルをJAXでエンドツーエンドに記述されたピソンモデルに自動解析および変換することができる。
SBMLtoODEjaxは、数行のコードだけで効率的な数値シミュレーションと最適化を行うために、SBML仕様の常微分方程式(ODE)モデルをピソンプロジェクトや機械学習パイプラインに組み込むことを目的とした研究者をターゲットにしている。
sbmltoodejaxはhttps://github.com/flowersteam/sbmltoodejaxで入手できる。
関連論文リスト
- An Evaluation of Large Language Models in Bioinformatics Research [52.100233156012756]
本研究では,大規模言語モデル(LLM)の性能について,バイオインフォマティクスの幅広い課題について検討する。
これらのタスクには、潜在的なコーディング領域の同定、遺伝子とタンパク質の命名されたエンティティの抽出、抗微生物および抗がんペプチドの検出、分子最適化、教育生物情報学問題の解決が含まれる。
以上の結果から, GPT 変種のような LLM がこれらのタスクの多くをうまく処理できることが示唆された。
論文 参考訳(メタデータ) (2024-02-21T11:27:31Z) - Improving Biomedical Entity Linking with Retrieval-enhanced Learning [53.24726622142558]
$k$NN-BioELは、トレーニングコーパス全体から同様のインスタンスを予測のヒントとして参照する機能を備えたBioELモデルを提供する。
k$NN-BioELは、いくつかのデータセットで最先端のベースラインを上回ります。
論文 参考訳(メタデータ) (2023-12-15T14:04:23Z) - Automatic Implementation of Neural Networks through Reaction Networks --
Part I: Circuit Design and Convergence Analysis [9.107489906506798]
本論文は, 物質動態を考慮したプログラム型生化学反応ネットワーク (BCRN) の導入を目的とする。
第1部では、フィードフォワード伝播計算、バックプロパゲーション成分、およびFCNNのすべてのブリッジ処理を、特定のBCRNモジュールとして創発的に設計する。
論文 参考訳(メタデータ) (2023-11-30T07:31:36Z) - Human Comprehensible Active Learning of Genome-Scale Metabolic Networks [7.838090421892651]
仮説空間を効率的に探索し、実験設計を導く、理解可能な機械学習アプローチが緊急に必要である。
Inductive Logic Programming (ILP) に基づく新しい機械学習フレームワーク ILP-iML1515 を提案する。
ILP-iML1515はゲノムスケールの代謝モデルの理解可能な論理的表現に基づいて構築されており、補助栄養変異体試験から新しい論理構造を学習することでモデルを更新することができる。
論文 参考訳(メタデータ) (2023-08-24T12:42:00Z) - R-Mixup: Riemannian Mixup for Biological Networks [15.48899766304136]
生体ネットワークからの隣接行列の対称正定値(SPD)特性に適合するデータ拡張手法であるR-mixUPを提案する。
実世界の5つの生物ネットワークデータセットを用いたR-mixUPの有効性を回帰処理と分類処理の両方で示す。
論文 参考訳(メタデータ) (2023-06-05T01:41:23Z) - Machine Learning for Uncovering Biological Insights in Spatial
Transcriptomics Data [0.0]
マルチセルシステムの開発とホメオスタシスは、空間分子パターンの形成と維持に精巧な制御を必要とする。
空間転写学(ST)の進歩は、革新的な機械学習(ML)ツールの急速な開発につながっている。
MLが対応できる主要なST分析目標と現在の分析トレンドを要約する。
論文 参考訳(メタデータ) (2023-03-29T14:22:08Z) - When Bioprocess Engineering Meets Machine Learning: A Survey from the
Perspective of Automated Bioprocess Development [3.687740185234604]
機械学習(ML)はバイオプロセス工学の発展に大きく貢献しているが、その応用は限られている。
このレビューでは、バイオプロセス開発におけるMLベースの自動化の概要について概観する。
論文 参考訳(メタデータ) (2022-09-02T14:30:49Z) - Differentiable Agent-based Epidemiology [71.81552021144589]
GradABM(GradABM)は、エージェントベースのモデリングのためのスケーラブルで微分可能な設計で、勾配に基づく学習と自動微分が可能である。
GradABMは、コモディティハードウェア上で数秒で数百万の人口をシミュレートし、ディープニューラルネットワークと統合し、異種データソースを取り込みます。
論文 参考訳(メタデータ) (2022-07-20T07:32:02Z) - Deep Bayesian Active Learning for Accelerating Stochastic Simulation [74.58219903138301]
Interactive Neural Process(INP)は、シミュレーションとアクティブな学習アプローチのためのディープラーニングフレームワークである。
能動的学習のために,NPベースモデルの潜時空間で計算された新しい取得関数Latent Information Gain (LIG)を提案する。
その結果,STNPは学習環境のベースラインを上回り,LIGは能動学習の最先端を達成していることがわかった。
論文 参考訳(メタデータ) (2021-06-05T01:31:51Z) - 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) - 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)
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。