論文の概要: DeepHEN: quantitative prediction essential lncRNA genes and rethinking
essentialities of lncRNA genes
- arxiv url: http://arxiv.org/abs/2309.10008v1
- Date: Mon, 18 Sep 2023 02:46:33 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-20 18:30:48.778564
- Title: DeepHEN: quantitative prediction essential lncRNA genes and rethinking
essentialities of lncRNA genes
- Title(参考訳): deephen:lncrnaの定量的予測とlncrnaの必須性の再検討
- Authors: Hanlin Zhang, Wenzheng Cheng
- Abstract要約: 我々は、新しいlncRNAプロテオンタンパク質ネットワークを構築し、表現学習とグラフニューラルネットワークの両方を用いて、lncRNA遺伝子の重要性を予測する。
我々のDeepHENモデルは、lncRNA遺伝子の本質を予測する他の方法と比較して、配列の特徴やネットワーク空間の特徴が本質により大きな影響を及ぼすかどうかを判断する。
- 参考スコア(独自算出の注目度): 4.7503368395212515
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Gene essentiality refers to the degree to which a gene is necessary for the
survival and reproductive efficacy of a living organism. Although the
essentiality of non-coding genes has been documented, there are still aspects
of non-coding genes' essentiality that are unknown to us. For example, We do
not know the contribution of sequence features and network spatial features to
essentiality. As a consequence, in this work, we propose DeepHEN that could
answer the above question. By buidling a new lncRNA-proteion-protein network
and utilizing both representation learning and graph neural network, we
successfully build our DeepHEN models that could predict the essentiality of
lncRNA genes. Compared to other methods for predicting the essentiality of
lncRNA genes, our DeepHEN model not only tells whether sequence features or
network spatial features have a greater influence on essentiality but also
addresses the overfitting issue of those methods caused by the low number of
essential lncRNA genes, as evidenced by the results of enrichment analysis.
- Abstract(参考訳): 遺伝子本質性(英: gene essentiality)とは、生物の生存と生殖に必要となる遺伝子をいう。
非コード遺伝子の本質は記録されているが、私たちには未知の非コード遺伝子の本質の側面がまだ残っている。
例えば、シーケンスの特徴とネットワーク空間の特徴が本質に寄与していることは分かっていない。
その結果,本研究では,上記の疑問に答えられるDeepHENを提案する。
新しいlncRNAプロテオンタンパク質ネットワークを買収し、表現学習とグラフニューラルネットワークの両方を活用することで、lncRNA遺伝子の本質を予測できるDeepHENモデルの構築に成功した。
lncrna遺伝子の本質性を予測する他の方法と比較して、deephenモデルは、配列の特徴やネットワーク空間的特徴が本質性に大きな影響を与えるかを示すだけでなく、本質的lncrna遺伝子が少ないことに起因するそれらの方法の過剰な問題にも対処している。
関連論文リスト
- Splicing Up Your Predictions with RNA Contrastive Learning [4.35360799431127]
我々は、代替スプライシング遺伝子複製によって生成された機能配列間の類似性を利用して、対照的な学習手法をゲノムデータに拡張する。
RNA半減期やリボソーム負荷予測などの下流タスクにおけるそれらの有用性を検証する。
学習された潜在空間の探索は、我々の対照的な目的が意味論的に意味のある表現をもたらすことを示した。
論文 参考訳(メタデータ) (2023-10-12T21:51:25Z) - scHyena: Foundation Model for Full-Length Single-Cell RNA-Seq Analysis
in Brain [46.39828178736219]
我々はこれらの課題に対処し、脳内のscRNA-seq解析の精度を高めるために設計された基礎モデルであるscHyenaを紹介する。
scHyenaは、線形適応層、遺伝子埋め込みによる位置エンコーディング、および双方向ハイエナ演算子を備えている。
これにより、生データから情報を失うことなく、全長の scRNA-seq データを処理できる。
論文 参考訳(メタデータ) (2023-10-04T10:30:08Z) - HyenaDNA: Long-Range Genomic Sequence Modeling at Single Nucleotide
Resolution [76.97231739317259]
本稿では,ヒト参照ゲノム上に,最大100万個のトークンを単一ヌクレオチドレベルで有するゲノム基盤モデルであるHyenaDNAについて紹介する。
Nucleotide Transformerの微調整されたベンチマークでは、HyenaDNAが18のデータセットのうち12の最先端(SotA)に到達した。
論文 参考訳(メタデータ) (2023-06-27T20:46:34Z) - Knowledge from Large-Scale Protein Contact Prediction Models Can Be
Transferred to the Data-Scarce RNA Contact Prediction Task [40.051834115537474]
タンパク質共進化トランスフォーマーに基づくディープニューラルネットワークはRNA接触予測タスクに転送可能である。
実験により、転写学習によるRNA接触予測が大幅に改善されることが確認された。
以上の結果から, タンパク質の構造パターンはRNAに転移し, 新たな研究の道を開く可能性が示唆された。
論文 参考訳(メタデータ) (2023-02-13T06:00:56Z) - Machine Learning Methods for Cancer Classification Using Gene Expression
Data: A Review [77.34726150561087]
がんは心臓血管疾患の2番目の死因である。
遺伝子発現は癌の早期発見において基本的な役割を担っている。
本研究は,機械学習を用いた癌分類における遺伝子発現解析の最近の進歩を概説する。
論文 参考訳(メタデータ) (2023-01-28T15:03:03Z) - Unsupervised ensemble-based phenotyping helps enhance the
discoverability of genes related to heart morphology [57.25098075813054]
我々はUn Phenotype Ensemblesという名の遺伝子発見のための新しいフレームワークを提案する。
教師なしの方法で学習された表現型のセットをプールすることで、冗長だが非常に表現性の高い表現を構築する。
これらの表現型は、(GWAS)を介して分析され、高い自信と安定した関連のみを保持する。
論文 参考訳(メタデータ) (2023-01-07T18:36:44Z) - Application of Deep Learning on Single-Cell RNA-sequencing Data
Analysis: A Review [17.976898403296275]
単細胞RNAシークエンシング(scRNA-seq)は、数千の単細胞の遺伝子発現プロファイルを同時に定量するために日常的に使用される技術となっている。
人工知能の最近の進歩であるディープラーニングも、scRNA-seqデータ分析のための有望なツールとして登場した。
論文 参考訳(メタデータ) (2022-10-11T17:07:22Z) - SNP2Vec: Scalable Self-Supervised Pre-Training for Genome-Wide
Association Study [48.75445626157713]
SNP2Vecは、SNPを理解するためのスケーラブルな自己教師付き事前学習手法である。
本研究では,SNP2Vecを用いて時系列ゲノミクスモデリングを行う。
中国コホートにおけるアルツハイマー病のリスク予測におけるアプローチの有効性について検討した。
論文 参考訳(メタデータ) (2022-04-14T01:53:58Z) - Classification of Long Noncoding RNA Elements Using Deep Convolutional
Neural Networks and Siamese Networks [17.8181080354116]
この論文は、cRNA配列を分類するために、ディープ畳み込みニューラルネットワーク(CNN)の新たな手法を提案する。
その結果、CNNベースの分類モデルにより効率よく解ける画像分類プロブレムに、クラスサイズRNA配列を変換する。
論文 参考訳(メタデータ) (2021-02-10T17:26:38Z) - Alpha Discovery Neural Network based on Prior Knowledge [55.65102700986668]
遺伝的プログラミング(GP)は、金融自動化機能構築タスクにおける最先端技術である。
本稿では,分散金融技術指標の自動構築が可能なニューラルネットワーク構造であるAlpha Discovery Neural Network (ADNN)を提案する。
論文 参考訳(メタデータ) (2019-12-26T03:10:17Z)
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。