論文の概要: Human Comprehensible Active Learning of Genome-Scale Metabolic Networks
- arxiv url: http://arxiv.org/abs/2308.12740v2
- Date: Thu, 31 Aug 2023 22:21:19 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-04 16:03:45.247847
- Title: Human Comprehensible Active Learning of Genome-Scale Metabolic Networks
- Title（参考訳）: ゲノム規模メタボリックネットワークの人間理解能動的学習
- Authors: Lun Ai, Shi-Shun Liang, Wang-Zhou Dai, Liam Hallett, Stephen H.
Muggleton, Geoff S. Baldwin
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 7.838090421892651
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: An important application of Synthetic Biology is the engineering of the host
cell system to yield useful products. However, an increase in the scale of the
host system leads to huge design space and requires a large number of
validation trials with high experimental costs. A comprehensible machine
learning approach that efficiently explores the hypothesis space and guides
experimental design is urgently needed for the Design-Build-Test-Learn (DBTL)
cycle of the host cell system. We introduce a novel machine learning framework
ILP-iML1515 based on Inductive Logic Programming (ILP) that performs abductive
logical reasoning and actively learns from training examples. In contrast to
numerical models, ILP-iML1515 is built on comprehensible logical
representations of a genome-scale metabolic model and can update the model by
learning new logical structures from auxotrophic mutant trials. The ILP-iML1515
framework 1) allows high-throughput simulations and 2) actively selects
experiments that reduce the experimental cost of learning gene functions in
comparison to randomly selected experiments.
- Abstract（参考訳）: 合成生物学の重要な応用は、宿主細胞系の工学が有用な製品を生産することである。
しかし、ホストシステムの規模が増加すると巨大な設計スペースが発生し、試験コストの高い多数の検証試験が必要となる。
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は、ホストセルシステムの設計-構築-テスト-学習(dbtl)サイクルに緊急に必要となる。
Inductive Logic Programming (ILP) に基づく新しい機械学習フレームワーク ILP-iML1515 を導入し、帰納的論理推論を行い、トレーニング例から積極的に学習する。
数値モデルとは対照的に、ilp-iml1515はゲノム規模の代謝モデルの理解可能な論理表現に基づいて構築されており、オーキソトロフィックな変異体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。
ILP-iML1515フレームワーク
1)高スループットシミュレーションが可能。
2) ランダムに選択した実験と比較して, 遺伝子機能の学習コストを低減させる実験を積極的に選択する。
関連論文リスト
- Active learning of digenic functions with boolean matrix logic programming [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た。
ゲノムスケールの代謝ネットワークモデルの中で複雑な遺伝的相互作用を学ぶ。
新しいシステム、BMLP_active$は、情報的実験を導くことによってゲノム仮説空間を効率的に探索する。
論文 参考訳（メタデータ） (2024-08-19T18:47:07Z) - Boolean matrix logic programming for active learning of gene functions in genome-scale metabolic network models [4.762323642506732]
我々は、細胞工学の促進と生物学的発見を促進するために、論理ベースの機械学習技術を適用しようとしている。
我々は,情報的実験を導くことでゲノム仮説空間を効率的に探索する新しいシステム,BMLP_active$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) - MLXP: A Framework for Conducting Replicable Experiments in Python [63.37350735954699]
MLXPはPythonをベースとした,オープンソースの,シンプルで,軽量な実験管理ツールである。
実験プロセスを最小限のオーバーヘッドで合理化し、高いレベルの実践的オーバーヘッドを確保します。
論文 参考訳（メタデータ） (2024-02-21T14:22:20Z) - Causal machine learning for single-cell genomics [94.28105176231739]
単細胞ゲノミクスへの機械学習技術の応用とその課題について論じる。
まず, 単一細胞生物学における現在の因果的アプローチの基盤となるモデルについて述べる。
次に、単一セルデータへの因果的アプローチの適用におけるオープンな問題を特定する。
論文 参考訳（メタデータ） (2023-10-23T13:35:24Z) - Machine learning enabled experimental design and parameter estimation
for ultrafast spin dynamics [54.172707311728885]
機械学習とベイズ最適実験設計(BOED)を組み合わせた方法論を提案する。
本手法は,大規模スピンダイナミクスシミュレーションのためのニューラルネットワークモデルを用いて,BOEDの正確な分布と実用計算を行う。
数値ベンチマークでは,XPFS実験の誘導,モデルパラメータの予測,実験時間内でのより情報的な測定を行う上で,本手法の優れた性能を示す。
論文 参考訳（メタデータ） (2023-06-03T06:19:20Z) - Online simulator-based experimental design for cognitive model selection [74.76661199843284]
本稿では,抽出可能な確率を伴わない計算モデルを選択する実験設計手法BOSMOSを提案する。
シミュレーション実験では,提案手法により,既存のLFI手法に比べて最大2桁の精度でモデルを選択することができることを示した。
論文 参考訳（メタデータ） (2023-03-03T21:41:01Z) - 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) - 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) - Automated Biodesign Engineering by Abductive Meta-Interpretive Learning [8.788941848262786]
Abductive Meta-Interpretive Learning($Meta_Abd$)を活用した自動バイオデザインエンジニアリングフレームワークを提案します。
本稿では,Abductive Meta-Interpretive Learning(Meta_Abd$)を活用したバイオデザイン自動工学フレームワークを提案する。
論文 参考訳（メタデータ） (2021-05-17T12:10:26Z) - 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)
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。