Fugu-MT 論文翻訳(概要): SBMLtoODEjax: efficient simulation and optimization of ODE SBML models in JAX

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

GENERator: A Long-Context Generative Genomic Foundation Model [66.46537421135996]
本研究では,98k塩基対 (bp) と1.2Bパラメータからなるゲノム基盤モデルを提案する。このモデルは分子生物学の中心的なドグマに固執し、タンパク質のコード配列を正確に生成する。また、特にプロモーター配列の即応的な生成を通じて、シーケンス最適化において大きな可能性を示している。
論文参考訳（メタデータ） (2025-02-11T05:39:49Z)
Biology Instructions: A Dataset and Benchmark for Multi-Omics Sequence Understanding Capability of Large Language Models [51.316001071698224]
本稿では,生物配列関連命令チューニングデータセットであるBiology-Instructionsを紹介する。このデータセットは、大きな言語モデル(LLM)と複雑な生物学的シーケンスに関連するタスクのギャップを埋めることができます。また、新たな3段階トレーニングパイプラインを備えたChatMultiOmicsという強力なベースラインも開発しています。
論文参考訳（メタデータ） (2024-12-26T12:12:23Z)
Omics-driven hybrid dynamic modeling of bioprocesses with uncertainty estimation [0.0]
この研究は、機械学習ツールを統合するオミクス駆動モデリングパイプラインを提示している。ランダムフォレストと置換特徴の重要性は、オミクスデータセットをマイニングするために提案されている。連続的かつ微分可能な機械学習関数は、減ったオミクス機能を動的モデルのキーコンポーネントにリンクするように訓練することができる。
論文参考訳（メタデータ） (2024-10-24T15:50:35Z)
Boolean matrix logic programming for active learning of gene functions in genome-scale metabolic network models [4.762323642506732]
我々は、細胞工学の促進と生物学的発見を促進するために、論理ベースの機械学習技術を適用しようとしている。我々は,情報的実験を導くことでゲノム仮説空間を効率的に探索する新しいシステム,BMLP_active$を導入する。 $BMLP_active$は、ランダムな実験よりもトレーニング例が少ない遺伝子ペア間の相互作用をうまく学べる。
論文参考訳（メタデータ） (2024-05-10T09:51:06Z)
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)
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)
Contrastive-Signal-Dependent Plasticity: Self-Supervised Learning in Spiking Neural Circuits [61.94533459151743]
この研究は、スパイキングネットワークのシナプスを調整するための神経生物学的に動機づけられたスキームを設計することの課題に対処する。我々の実験シミュレーションは、繰り返しスパイクネットワークを訓練する際、他の生物学的に証明可能なアプローチに対して一貫した優位性を示す。
論文参考訳（メタデータ） (2023-03-30T02:40:28Z)
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)
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)
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。