論文の概要: CRISPR: Ensemble Model

• arxiv url: http://arxiv.org/abs/2403.03018v1
• Date: Tue, 5 Mar 2024 14:55:14 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-06 14:31:03.334250
• Title: CRISPR: Ensemble Model
• Title（参考訳）: crispr:アンサンブルモデル
• Authors: Mohammad Rostami, Amin Ghariyazi, Hamed Dashti, Mohammad Hossein Rohban, Hamid R. Rabiee
• Abstract要約: 正確で一般化可能なsgRNA設計のための新しいアンサンブル学習法を提案する。 本手法は, 新規遺伝子や細胞に対しても高い感度, 特異性を有するsgRNAの設計に有効であることが示唆された。
• 参考スコア（独自算出の注目度）: 20.268713698436326
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Clustered Regularly Interspaced Short Palindromic Repeats (CRISPR) is a gene editing technology that has revolutionized the fields of biology and medicine. However, one of the challenges of using CRISPR is predicting the on-target efficacy and off-target sensitivity of single-guide RNAs (sgRNAs). This is because most existing methods are trained on separate datasets with different genes and cells, which limits their generalizability. In this paper, we propose a novel ensemble learning method for sgRNA design that is accurate and generalizable. Our method combines the predictions of multiple machine learning models to produce a single, more robust prediction. This approach allows us to learn from a wider range of data, which improves the generalizability of our model. We evaluated our method on a benchmark dataset of sgRNA designs and found that it outperformed existing methods in terms of both accuracy and generalizability. Our results suggest that our method can be used to design sgRNAs with high sensitivity and specificity, even for new genes or cells. This could have important implications for the clinical use of CRISPR, as it would allow researchers to design more effective and safer treatments for a variety of diseases.
• Abstract（参考訳）: CRISPR(Clustered Regularly Interspaced Short Palindromic Repeats)は、生物学と医学の分野に革命をもたらした遺伝子編集技術である。 しかし、CRISPRを使用する際の課題の1つは、単一誘導RNA(sgRNA)の標的効果と標的外の感受性を予測することである。 これは、既存のほとんどのメソッドが異なる遺伝子と細胞を持つ別々のデータセットで訓練されているためである。 本稿では,sgRNA設計のための新しいアンサンブル学習手法を提案する。 本手法では,複数の機械学習モデルの予測を組み合わせることで,より堅牢な予測を実現する。 このアプローチにより、より広い範囲のデータから学習することができ、モデルの一般化性が向上します。 本手法をsgRNA設計のベンチマークデータセット上で評価した結果,精度と一般化性の両方の観点から既存手法よりも優れていることがわかった。 本手法は, 新規遺伝子や細胞に対しても高い感度, 特異性を有するsgRNAの設計に有効であることが示唆された。 これはCRISPRの臨床的使用に重要な意味を持ち、研究者は様々な疾患に対するより効果的で安全な治療法を設計できる可能性がある。

関連論文リスト

• DeepFM-Crispr: Prediction of CRISPR On-Target Effects via Deep Learning [0.24554686192257422]
  DeepFM-Crisprは、ターゲット上の効率を予測し、Cas13dのターゲット外効果を評価するために開発された新しいディープラーニングモデルである。 大規模な言語モデルを利用して、進化的および構造的なデータに富んだ包括的な表現を生成し、RNA二次構造の予測と全体的なsgRNAの有効性を高める。
  論文  参考訳（メタデータ） (2024-09-09T17:33:54Z)
• 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)
• CRISPR-GPT: An LLM Agent for Automated Design of Gene-Editing Experiments [51.41735920759667]
  大規模言語モデル(LLM)は様々なタスクにおいて有望であるが、しばしば特定の知識が欠如し、生物学的設計の問題を正確に解くのに苦労する。 本研究では,CRISPRに基づく遺伝子編集実験の設計プロセスを自動化するために,ドメイン知識と外部ツールを付加したLCMエージェントであるCRISPR-GPTを紹介する。
  論文  参考訳（メタデータ） (2024-04-27T22:59:17Z)
• Machine Learning Modeling Of SiRNA Structure-Potency Relationship With Applications Against Sars-Cov-2 Spike Gene [0.0]
  薬の発見プロセスは長くて費用がかかるので、新しい薬を市場に出すのに10年近くかかります。 バイオテクノロジー、計算方法、機械学習アルゴリズムは、薬物発見を革命させ、プロセスをスピードアップし、患者の結果を改善する可能性がある。 新型コロナウイルス(COVID-19)のパンデミックは、これらの技術の可能性の認識をさらに加速し、さらに深めている。
  論文  参考訳（メタデータ） (2024-01-18T23:00:34Z)
• 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)
• Improving RNA Secondary Structure Design using Deep Reinforcement Learning [69.63971634605797]
  本稿では,RNA配列設計に強化学習を適用した新しいベンチマークを提案する。このベンチマークでは,目的関数を配列の二次構造における自由エネルギーとして定義する。 本稿では,これらのアルゴリズムに対して行うアブレーション解析の結果と,バッチ間でのアルゴリズムの性能を示すグラフを示す。
  論文  参考訳（メタデータ） (2021-11-05T02:54:06Z)
• Machine learning for plant microRNA prediction: A systematic review [0.0]
  マイクロRNA(miRNA)は内在性の小さな非コードRNAであり、遺伝子調節に重要な役割を果たしている。 計算と機械学習に基づくアプローチがマイクロRNAの予測に採用されている。 本研究は,植物における識別のために開発された機械学習手法に焦点をあてる。
  論文  参考訳（メタデータ） (2021-06-29T08:22:57Z)
• Machine Learning Against Cancer: Accurate Diagnosis of Cancer by Machine Learning Classification of the Whole Genome Sequencing Data [0.0]
  我々は,MLAC(Machine Learning Against Cancer)の新たな手法を開発し,完全精度,感度,特異性を実現した。 The Cancer Genome Atlas and Genotype-Tissue Expression project for cancerous and healthy tissues。
  論文  参考訳（メタデータ） (2020-09-12T18:51:47Z)
• 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)
• A Systematic Approach to Featurization for Cancer Drug Sensitivity Predictions with Deep Learning [49.86828302591469]
  35,000以上のニューラルネットワークモデルをトレーニングし、一般的な成果化技術を駆使しています。 RNA-seqは128以上のサブセットであっても非常に冗長で情報的であることがわかった。
  論文  参考訳（メタデータ） (2020-04-30T20:42:17Z)

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。