論文の概要: A Differentiable Model for Optimizing the Genetic Drivers of Synaptogenesis

• arxiv url: http://arxiv.org/abs/2402.07242v2
• Date: Fri, 20 Dec 2024 12:49:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-23 16:20:57.777642
• Title: A Differentiable Model for Optimizing the Genetic Drivers of Synaptogenesis
• Title（参考訳）: シナプトジェネレーションの遺伝的要因を最適化するための微分モデル
• Authors: Tommaso Boccato, Matteo Ferrante, Nicola Toschi,
• Abstract要約: 合成生物学的知能の出現を近づけるための新しい計算フレームワークであるSynaptoGenを紹介する。 SynaptoGenは、コネクトームモデル(CM)のファミリの最初のモデルであり、シナプス乗法に関する力学的な説明を提供する。 微分可能性はフレームワークの重要な特徴であり、勾配に基づく最適化技術との統合を可能にする。
• 参考スコア（独自算出の注目度）: 0.12289361708127873
• License:
• Abstract: There is a growing consensus among neuroscientists that many neural circuits critical for survival result from a process of genomic decompression, hence are constructed based on the information contained within the genome. Aligning with this perspective, we introduce SynaptoGen, a novel computational framework designed to bring the advent of synthetic biological intelligence closer, facilitating the development of neural biological agents through the precise control of genetic factors governing synaptogenesis. SynaptoGen represents the first model in the well-established family of Connectome Models (CMs) to offer a possible mechanistic explanation of synaptic multiplicity based on genetic expression and protein interaction probabilities, modeling connectivity with unprecedented granularity. Furthermore, SynaptoGen connects these genetic factors through a differentiable function, effectively working as a neural network in which each synaptic weight is computed as the average number of synapses between neurons, multiplied by its corresponding conductance, and derived from a specific genetic profile. Differentiability is a critical feature of the framework, enabling its integration with gradient-based optimization techniques. This allows SynaptoGen to generate patterns of genetic expression and/or genetic rules capable of producing pre-wired biological agents tailored to specific tasks. The framework is validated in simulated synaptogenesis scenarios with varying degrees of biological plausibility. It successfully produces biological agents capable of solving tasks in four different reinforcement learning benchmarks, consistently outperforming the state-of-the-art and a control baseline designed to represent populations of neurons where synapses form freely, i.e., without guided manipulations.
• Abstract（参考訳）: 神経科学者の間では、生存に重要な多くの神経回路がゲノム減圧の過程によって生じるという認識が高まり、したがってゲノムに含まれる情報に基づいて構築される。 この観点から, シナプトゲンは, 合成生物学的知能の出現を近づけ, シナプトゲンを決定づける遺伝的要因の精密制御を通じて, 神経生物学的エージェントの発達を促進するために設計された, 新たな計算フレームワークである。 SynaptoGenは、よく確立されたコネクトームモデル(CM)ファミリーの最初のモデルであり、前例のない粒度の接続をモデル化し、遺伝子発現とタンパク質相互作用の確率に基づくシナプス乗法に関する機械論的説明を提供する。 さらに、SynaptoGenはこれらの遺伝的因子を分化可能な機能を通じて結合し、神経細胞間のシナプスの平均個数として計算され、対応するコンダクタンスによって乗算され、特定の遺伝的プロファイルから導出されるニューラルネットワークとして効果的に機能する。 微分可能性はフレームワークの重要な特徴であり、勾配に基づく最適化技術との統合を可能にする。 これにより、SynaptoGenは特定のタスクに適した有線生物エージェントを生成することができる遺伝子の発現パターンや/または遺伝的規則を生成することができる。 このフレームワークは、様々な生物学的妥当性を持つシミュレートされたシナプス形成シナリオで検証されている。 4つの異なる強化学習ベンチマークでタスクを解くことができる生物学的エージェントを生産し、常に最先端と制御ベースラインを上回り、シナプスが自由に形成されるニューロンの集団、すなわち誘導操作なしで表現できるように設計されている。

関連論文リスト

• GENERator: A Long-Context Generative Genomic Foundation Model [66.46537421135996]
  本研究では,98k塩基対 (bp) と1.2Bパラメータからなるゲノム基盤モデルを提案する。 このモデルは分子生物学の中心的なドグマに固執し、タンパク質のコード配列を正確に生成する。 また、特にプロモーター配列の即応的な生成を通じて、シーケンス最適化において大きな可能性を示している。
  論文  参考訳（メタデータ） (2025-02-11T05:39:49Z)
• Interpreting artificial neural networks to detect genome-wide association signals for complex traits [0.0]
  我々は人工ニューラルネットワークを訓練し、シミュレーションと実際のジェノタイプフェノタイプデータセットの両方を用いて複雑な特徴を予測する。 統合失調症に合併した多発性座位を指摘された。
  論文  参考訳（メタデータ） (2024-07-26T15:20:42Z)
• Predicting Genetic Mutation from Whole Slide Images via Biomedical-Linguistic Knowledge Enhanced Multi-label Classification [119.13058298388101]
  遺伝子変異予測性能を向上させるため,生物知識を付加したPathGenomic Multi-label Transformerを開発した。 BPGTはまず、2つの慎重に設計されたモジュールによって遺伝子前駆体を構成する新しい遺伝子エンコーダを確立する。 BPGTはその後ラベルデコーダを設計し、最終的に2つの調整されたモジュールによる遺伝的突然変異予測を行う。
  論文  参考訳（メタデータ） (2024-06-05T06:42:27Z)
• Growing Artificial Neural Networks for Control: the Role of Neuronal Diversity [7.479827648985631]
  生物学的進化において、複雑な神経構造は少数の細胞成分から成長する。 この自己組織化は、生物学的ニューラルネットワークの一般化と堅牢性において重要な役割を果たすと仮定されている。 本稿では,強化学習タスクを解くために,ニューラルネットワークを成長させるアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-05-14T11:21:52Z)
• 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)
• MuSe-GNN: Learning Unified Gene Representation From Multimodal Biological Graph Data [22.938437500266847]
  マルチモーダル類似性学習グラフニューラルネットワークという新しいモデルを提案する。 マルチモーダル機械学習とディープグラフニューラルネットワークを組み合わせて、単一セルシークエンシングと空間転写データから遺伝子発現を学習する。 本モデルでは, 遺伝子機能, 組織機能, 疾患, 種進化の解析のために, 統合された遺伝子表現を効率よく生成する。
  論文  参考訳（メタデータ） (2023-09-29T13:33:53Z)
• The Expressive Leaky Memory Neuron: an Efficient and Expressive Phenomenological Neuron Model Can Solve Long-Horizon Tasks [64.08042492426992]
  本稿では,脳皮質ニューロンの生物学的モデルであるExpressive Memory(ELM)ニューロンモデルを紹介する。 ELMニューロンは、上記の入力-出力関係を1万以下のトレーニング可能なパラメータと正確に一致させることができる。 本稿では,Long Range Arena(LRA)データセットなど,時間構造を必要とするタスクで評価する。
  論文  参考訳（メタデータ） (2023-06-14T13:34:13Z)
• 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)
• 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)
• Complexity-based speciation and genotype representation for neuroevolution [81.21462458089142]
  本稿では、進化するネットワークを隠されたニューロンの数に基づいて種に分類する神経進化の種分化原理を提案する。 提案された種分化原理は、種および生態系全体における多様性の促進と保存を目的として設計されたいくつかの技術で採用されている。
  論文  参考訳（メタデータ） (2020-10-11T06:26:56Z)

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。