論文の概要: Transfer Learning Bayesian Optimization to Design Competitor DNA Molecules for Use in Diagnostic Assays

• arxiv url: http://arxiv.org/abs/2402.17704v2
• Date: Tue, 22 Oct 2024 13:19:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-23 14:25:48.742114
• Title: Transfer Learning Bayesian Optimization to Design Competitor DNA Molecules for Use in Diagnostic Assays
• Title（参考訳）: 診断診断に用いる設計競合型DNA分子への転移学習ベイズ最適化
• Authors: Ruby Sedgwick, John P. Goertz, Molly M. Stevens, Ruth Misener, Mark van der Wilk,
• Abstract要約: 最適化タスク間で情報を共有することで,実験の総数を削減する方法を示す。 我々は,DNAコンペティターの開発から得られたデータを用いて,実験数の減少を実証する。
• 参考スコア（独自算出の注目度）: 11.72580324398892
• License:
• Abstract: With the rise in engineered biomolecular devices, there is an increased need for tailor-made biological sequences. Often, many similar biological sequences need to be made for a specific application meaning numerous, sometimes prohibitively expensive, lab experiments are necessary for their optimization. This paper presents a transfer learning design of experiments workflow to make this development feasible. By combining a transfer learning surrogate model with Bayesian optimization, we show how the total number of experiments can be reduced by sharing information between optimization tasks. We demonstrate the reduction in the number of experiments using data from the development of DNA competitors for use in an amplification-based diagnostic assay. We use cross-validation to compare the predictive accuracy of different transfer learning models, and then compare the performance of the models for both single objective and penalized optimization tasks.
• Abstract（参考訳）: 工学的な生体分子デバイスの増加に伴い、テーラーメイドの生物配列の必要性が高まっている。 しばしば、多くの類似した生物学的配列を特定の用途のために作成する必要がある。 本稿では,この開発を実現するために,実験ワークフローの伝達学習設計を提案する。 移動学習サロゲートモデルとベイズ最適化を組み合わせることで、最適化タスク間での情報を共有することで、実験の総数を減らすことができることを示す。 増幅法に基づく診断法において,DNAコンペティターの開発データを用いた実験回数の削減を実証した。 クロスバリデーションを用いて、異なるトランスファーラーニングモデルの予測精度を比較し、単一目的とペナル化の両方の最適化タスクにおけるモデルの性能を比較する。

関連論文リスト

• BioDiscoveryAgent: An AI Agent for Designing Genetic Perturbation Experiments [112.25067497985447]
  そこで,BioDiscoveryAgentを紹介した。このエージェントは,新しい実験を設計し,その結果の理由を明らかにし,仮説空間を効率的にナビゲートし,望ましい解に到達させる。 BioDiscoveryAgentは、機械学習モデルをトレーニングすることなく、新しい実験を独自に設計することができる。 6つのデータセットで関連する遺伝的摂動を予測することで、平均21%の改善が達成されている。
  論文  参考訳（メタデータ） (2024-05-27T19:57:17Z)
• Improving Biomedical Entity Linking with Retrieval-enhanced Learning [53.24726622142558]
  $k$NN-BioELは、トレーニングコーパス全体から同様のインスタンスを予測のヒントとして参照する機能を備えたBioELモデルを提供する。 k$NN-BioELは、いくつかのデータセットで最先端のベースラインを上回ります。
  論文  参考訳（メタデータ） (2023-12-15T14:04:23Z)
• Bayesian Optimization for Robust State Preparation in Quantum Many-Body Systems [0.0]
  我々は最近,超低温原子系で実装された状態準備プロトコルにベイズ最適化を適用した。 手動ランプ設計と比較して,最適化手法の優れた性能を数値シミュレーションで示す。 提案されたプロトコルとワークフローは、実験においてより複雑な多体量子状態の実現に向けた道を開く。
  論文  参考訳（メタデータ） (2023-12-14T18:59:55Z)
• Human Comprehensible Active Learning of Genome-Scale Metabolic Networks [7.838090421892651]
  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。
  論文  参考訳（メタデータ） (2023-08-24T12:42:00Z)
• 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)
• Trustworthiness of Laser-Induced Breakdown Spectroscopy Predictions via Simulation-based Synthetic Data Augmentation and Multitask Learning [4.633997895806144]
  レーザ誘起分解分光法を用いてスペクトルデータの定量的解析を行う。 我々は、利用可能なトレーニングデータの小さなサイズと、未知のデータに対する推論中の予測の検証に対処する。
  論文  参考訳（メタデータ） (2022-10-07T18:00:09Z)
• HyperImpute: Generalized Iterative Imputation with Automatic Model Selection [77.86861638371926]
  カラムワイズモデルを適応的かつ自動的に構成するための一般化反復計算フレームワークを提案する。 既製の学習者,シミュレータ,インターフェースを備えた具体的な実装を提供する。
  論文  参考訳（メタデータ） (2022-06-15T19:10:35Z)
• Knowledge transfer across cell lines using Hybrid Gaussian Process models with entity embedding vectors [62.997667081978825]
  生物化学的プロセスを開発するために、多数の実験が実施されている。 既に開発されたプロセスのデータを利用して、新しいプロセスの予測を行い、必要な実験の数を大幅に削減できるだろうか。
  論文  参考訳（メタデータ） (2020-11-27T17:38:15Z)
• Design of Experiments for Verifying Biomolecular Networks [12.788443087394239]
  分子生物学や合成生物学のトレンドは、生体分子ネットワークの設計に機械的(非機械学習)モデルを使用することである。 これらのネットワークは、理論的ネットワークが真のシステムを正しくモデル化することを保証するために、実験結果によって検証される必要がある。 本稿では,これらのネットワークを効率的に検証するための実験手法を提案する。
  論文  参考訳（メタデータ） (2020-11-20T13:39:45Z)
• A Trainable Optimal Transport Embedding for Feature Aggregation and its Relationship to Attention [96.77554122595578]
  固定サイズのパラメータ化表現を導入し、与えられた入力セットから、そのセットとトレーニング可能な参照の間の最適な輸送計画に従って要素を埋め込み、集約する。 我々のアプローチは大規模なデータセットにスケールし、参照のエンドツーエンドのトレーニングを可能にすると同時に、計算コストの少ない単純な教師なし学習メカニズムも提供する。
  論文  参考訳（メタデータ） (2020-06-22T08:35:58Z)

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。