論文の概要: SBMLtoODEjax: Efficient Simulation and Optimization of Biological Network Models in JAX

• arxiv url: http://arxiv.org/abs/2307.08452v2
• Date: Sun, 29 Oct 2023 06:29:33 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-31 20:36:38.185609
• Title: SBMLtoODEjax: Efficient Simulation and Optimization of Biological Network Models in JAX
• Title（参考訳）: SBMLtoODEjax:JAXにおける生体ネットワーク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: 本稿では,SBMLモデルとMLサポートパイプラインをシームレスに統合する軽量ライブラリであるSBMLtoODEjaxを紹介する。 JAXの能力を利用して効率的な並列シミュレーションと最適化を行い、生物学的ネットワーク分析の研究を加速することを目的としています。
• 参考スコア（独自算出の注目度）: 19.55237447763145
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Advances in bioengineering and biomedicine demand a deep understanding of the dynamic behavior of biological systems, ranging from protein pathways to complex cellular processes. Biological networks like gene regulatory networks and protein pathways are key drivers of embryogenesis and physiological processes. Comprehending their diverse behaviors is essential for tackling diseases, including cancer, as well as for engineering novel biological constructs. Despite the availability of extensive mathematical models represented in Systems Biology Markup Language (SBML), researchers face significant challenges in exploring the full spectrum of behaviors and optimizing interventions to efficiently shape those behaviors. Existing tools designed for simulation of biological network models are not tailored to facilitate interventions on network dynamics nor to facilitate automated discovery. Leveraging recent developments in machine learning (ML), this paper introduces SBMLtoODEjax, a lightweight library designed to seamlessly integrate SBML models with ML-supported pipelines, powered by JAX. SBMLtoODEjax facilitates the reuse and customization of SBML-based models, harnessing JAX's capabilities for efficient parallel simulations and optimization, with the aim to accelerate research in biological network analysis.
• Abstract（参考訳）: バイオエンジニアリングとバイオメディシンの進歩は、タンパク質の経路から複雑な細胞過程まで、生体システムの動的挙動を深く理解することを要求する。 遺伝子制御ネットワークやタンパク質経路のような生物学的ネットワークは、胚発生や生理過程の鍵となる。 彼らの多様な行動を理解することは、がんを含む病気に取り組むだけでなく、新しい生物学的構成物を開発するのに不可欠である。 Systems Biology Markup Language (SBML)に代表される広範な数学的モデルが利用可能であるにもかかわらず、研究者は行動の全スペクトルを探索し、それらの振る舞いを効率的に形作るための介入を最適化する上で重要な課題に直面している。 生体ネットワークモデルのシミュレーション用に設計された既存のツールは、ネットワークダイナミクスの介入や自動発見を容易にするために調整されていない。 本稿では、機械学習(ml)の最近の進歩を活用して、jaxによるsbmlモデルとmlサポートパイプラインをシームレスに統合する軽量ライブラリsbmltoodejaxを紹介する。 SBMLtoODEjaxはSBMLベースのモデルの再利用とカスタマイズを容易にし、JAXの機能を利用して効率的な並列シミュレーションと最適化を行い、生物学的ネットワーク解析の研究を加速する。

関連論文リスト

• 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)
• 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)
• 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)
• 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)
• 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。