論文の概要: Attention-based Multi-task Learning for Base Editor Outcome Prediction

• arxiv url: http://arxiv.org/abs/2310.02919v2
• Date: Fri, 10 Nov 2023 08:38:50 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-13 17:40:49.648397
• Title: Attention-based Multi-task Learning for Base Editor Outcome Prediction
• Title（参考訳）: ベースエディタ結果予測のための注意に基づくマルチタスク学習
• Authors: Amina Mollaysa, Ahmed Allam, Michael Krauthammer
• Abstract要約: 本稿では,あるゲノム標的配列に対する編集結果の確率を予測するために,注目に基づく2段階機械学習モデルを提案する。 モデルの予測は、複数のデータセットとベースエディタのバリエーションに関する実際の実験結果と強い相関関係を示した。
• 参考スコア（独自算出の注目度）: 0.7642646077340124
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Human genetic diseases often arise from point mutations, emphasizing the critical need for precise genome editing techniques. Among these, base editing stands out as it allows targeted alterations at the single nucleotide level. However, its clinical application is hindered by low editing efficiency and unintended mutations, necessitating extensive trial-and-error experimentation in the laboratory. To speed up this process, we present an attention-based two-stage machine learning model that learns to predict the likelihood of all possible editing outcomes for a given genomic target sequence. We further propose a multi-task learning schema to jointly learn multiple base editors (i.e. variants) at once. Our model's predictions consistently demonstrated a strong correlation with the actual experimental results on multiple datasets and base editor variants. These results provide further validation for the models' capacity to enhance and accelerate the process of refining base editing designs.
• Abstract（参考訳）: ヒトの遺伝病はしばしば点突然変異から生じ、正確なゲノム編集技術の必要性を強調する。 これらのうち、塩基編集は単一のヌクレオチドレベルで標的となる改変を可能にするため際立っている。 しかし、その臨床応用は編集効率の低下と意図しない突然変異によって妨げられ、実験室での広範囲な試行錯誤実験が必要となる。 この過程を高速化するために、あるゲノム標的配列に対する全ての編集結果の可能性を予測するために、注目に基づく2段階機械学習モデルを提案する。 さらに,複数のベースエディタ(変種)を同時に学習するためのマルチタスク学習スキーマを提案する。 本モデルの予測は,複数のデータセットおよびベースエディタの実際の実験結果と一貫して強い相関を示した。 これらの結果は、ベース編集設計を改良するプロセスを強化し、加速するためのモデルの能力のさらなる検証を提供する。

関連論文リスト

• Model editing for distribution shifts in uranium oxide morphological analysis [4.544104301052052]
  我々はウラン鉱石濃縮(UOC)の合成条件を分類するために訓練された深層学習モデルを考える。 この領域に共通する分布シフトへの一般化を改善するために,モデル編集が特に有効であることを示す。
  論文  参考訳（メタデータ） (2024-07-22T16:06:51Z)
• The Butterfly Effect of Model Editing: Few Edits Can Trigger Large Language Models Collapse [58.0132400208411]
  単一の編集でさえモデル崩壊を引き起こし、様々なベンチマークタスクで大幅なパフォーマンス低下を示す。 編集後の大規模言語モデルのベンチマークは、過激な時間とリソース集約である。 我々は、GPT-3.5を用いて、ハードケースに基づいた新しいデータセット、HardEditを開発した。
  論文  参考訳（メタデータ） (2024-02-15T01:50:38Z)
• Model Editing Harms General Abilities of Large Language Models: Regularization to the Rescue [122.20016030723043]
  大規模言語モデル(LLM)におけるモデル編集の副作用を評価する。 分析の結果,モデルの重みを過度に修正したモデル編集によって副作用が生じることが明らかとなった。 これを軽減するために、修正の重み付けを正規化するためにRECTというメソッドが提案されている。
  論文  参考訳（メタデータ） (2024-01-09T18:03:15Z)
• RadEdit: stress-testing biomedical vision models via diffusion image editing [45.43408333243842]
  本研究は、生成画像編集を用いて、バイオメディカルビジョンモデルのデータセットシフトをシミュレートし、障害モードを診断することを提案する。 既存の編集手法は、疾患や治療介入の共起によって学習された、望ましくない変化をもたらす可能性がある。 そこで我々は,複数のマスクを用いた新しい編集手法RadEditを導入し,変更を制約し,編集画像の一貫性を確保する。
  論文  参考訳（メタデータ） (2023-12-20T09:27:41Z)
• Attention-based Multi-task Learning for Base Editor Outcome Prediction [0.7642646077340124]
  本稿では,あるゲノム標的配列に対する編集結果の確率を予測するために,注目に基づく2段階機械学習モデルを提案する。 モデルの予測は、複数のデータセットとベースエディタのバリエーションに関する実際の実験結果と強い相関関係を示した。
  論文  参考訳（メタデータ） (2023-11-13T15:16:24Z)
• 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)
• PIGNet2: A Versatile Deep Learning-based Protein-Ligand Interaction Prediction Model for Binding Affinity Scoring and Virtual Screening [0.0]
  タンパク質-リガンド相互作用の予測(PLI)は、薬物発見において重要な役割を果たす。 結合親和性を正確に評価し、効率的な仮想スクリーニングを行う汎用モデルの開発は依然として課題である。 本稿では、物理インフォームドグラフニューラルネットワークと組み合わせて、新しいデータ拡張戦略を導入することにより、実現可能なソリューションを提案する。
  論文  参考訳（メタデータ） (2023-07-03T14:46:49Z)
• Accurate and Definite Mutational Effect Prediction with Lightweight Equivariant Graph Neural Networks [2.381587712372268]
  本研究では,野生型タンパク質の微小環境を効率的に解析する軽量なグラフ表現学習手法を提案する。 私たちのソリューションは、コミュニティにとって理想的な選択肢となる、幅広いメリットを提供します。
  論文  参考訳（メタデータ） (2023-04-13T09:51:49Z)
• Deep metric learning improves lab of origin prediction of genetically engineered plasmids [63.05016513788047]
  遺伝工学の属性(GEA)は、配列-ラブの関連を作る能力である。 本稿では,計量学習に基づいて,最も可能性の高い実験室をランク付けする手法を提案する。 我々は、特定の実験室のプラスミド配列のキーシグネチャを抽出することができ、モデル出力の解釈可能な検査を可能にする。
  論文  参考訳（メタデータ） (2021-11-24T16:29:03Z)
• Multi-modal Self-supervised Pre-training for Regulatory Genome Across Cell Types [75.65676405302105]
  我々は、GeneBERTと呼ばれる、多モードかつ自己管理的な方法でゲノムデータを事前学習するための、単純かつ効果的なアプローチを提案する。 我々はATAC-seqデータセットで1700万のゲノム配列でモデルを事前訓練する。
  論文  参考訳（メタデータ） (2021-10-11T12:48:44Z)
• Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
  本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。 新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。 我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
  論文  参考訳（メタデータ） (2020-09-02T02:50:30Z)

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。