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
- LoRA-BERT: a Natural Language Processing Model for Robust and Accurate Prediction of long non-coding RNAs [11.346750562942345]
長い非コードRNA(lncRNA)は多くの生物学的プロセスにおいて重要な調節因子である。
深層学習に基づくアプローチは、lncRNAを分類するために導入された。
LoRA-BERTは配列分類におけるヌクレオチドレベルの情報の重要性を捉えるように設計されている。
論文 参考訳（メタデータ） (2024-11-11T22:17:01Z) - Character-level Tokenizations as Powerful Inductive Biases for RNA Foundational Models [0.0]
RNAの挙動を理解し予測することは、RNAの構造と相互作用の複雑さのために困難である。
現在のRNAモデルは、タンパク質ドメインで観測された性能とはまだ一致していない。
ChaRNABERTは、確立されたベンチマークでいくつかのタスクで最先端のパフォーマンスに到達することができる。
論文 参考訳（メタデータ） (2024-11-05T21:56:16Z) - BEACON: Benchmark for Comprehensive RNA Tasks and Language Models [60.02663015002029]
本稿では、最初の包括的なRNAベンチマークBEACON(textbfBEnchmtextbfArk for textbfCOmprehensive RtextbfNA Task and Language Models)を紹介する。
まずBEACONは、構造解析、機能研究、工学的応用を網羅した、これまでの広範囲にわたる研究から導かれた13のタスクから構成される。
第2に、CNNのような従来のアプローチや、言語モデルに基づく高度なRNA基盤モデルなど、さまざまなモデルについて検討し、これらのモデルのタスク固有のパフォーマンスに関する貴重な洞察を提供する。
第3に、重要なRNA言語モデルコンポーネントについて検討する。
論文 参考訳（メタデータ） (2024-06-14T19:39:19Z) - VQDNA: Unleashing the Power of Vector Quantization for Multi-Species Genomic Sequence Modeling [60.91599380893732]
VQDNAは、ゲノムボキャブラリ学習の観点からゲノムのトークン化を改良する汎用フレームワークである。
ベクトル量子化されたコードブックを学習可能な語彙として活用することにより、VQDNAはゲノムをパターン認識の埋め込みに適応的にトークン化することができる。
論文 参考訳（メタデータ） (2024-05-13T20:15:03Z) - 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) - 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) - 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。