Fugu-MT 論文翻訳(概要): Machine and deep learning methods for predicting 3D genome organization

論文の概要: Machine and deep learning methods for predicting 3D genome organization

arxiv url: http://arxiv.org/abs/2403.03231v1
Date: Mon, 4 Mar 2024 19:04:41 GMT
ステータス: 処理完了
システム内更新日: 2024-03-07 17:14:42.011864
Title: Machine and deep learning methods for predicting 3D genome organization
Title（参考訳）: 3次元ゲノム構造予測のための機械学習と深層学習
Authors: Brydon P. G. Wall, My Nguyen, J. Chuck Harrell, Mikhail G. Dozmorov
Abstract要約: 3次元(3D)エンハンサー相互作用は、遺伝子発現を調節することにより、幅広い細胞プロセスにおいて重要な役割を果たす。機械学習の手法は、欠落した3Dインタラクションを入手したり、解像度を向上したりするための代替手段として登場した。本稿では,3種類の3次元インタラクション(EPI,インタラクション,TAD境界)を予測し,その長所と短所を解析するための計算ツールについて論じる。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Three-Dimensional (3D) chromatin interactions, such as enhancer-promoter interactions (EPIs), loops, Topologically Associating Domains (TADs), and A/B compartments play critical roles in a wide range of cellular processes by regulating gene expression. Recent development of chromatin conformation capture technologies has enabled genome-wide profiling of various 3D structures, even with single cells. However, current catalogs of 3D structures remain incomplete and unreliable due to differences in technology, tools, and low data resolution. Machine learning methods have emerged as an alternative to obtain missing 3D interactions and/or improve resolution. Such methods frequently use genome annotation data (ChIP-seq, DNAse-seq, etc.), DNA sequencing information (k-mers, Transcription Factor Binding Site (TFBS) motifs), and other genomic properties to learn the associations between genomic features and chromatin interactions. In this review, we discuss computational tools for predicting three types of 3D interactions (EPIs, chromatin interactions, TAD boundaries) and analyze their pros and cons. We also point out obstacles of computational prediction of 3D interactions and suggest future research directions.
Abstract（参考訳）: 3次元(3d)クロマチン相互作用、例えばエンハンサー-プロモター相互作用(epis)、ループ、位相的結合ドメイン(tad)、a/bコンパートメントは遺伝子発現を調節することにより、幅広い細胞プロセスにおいて重要な役割を果たす。近年のクロマチンコンホメーションキャプチャ技術は、単一細胞でも様々な3D構造のゲノムワイドプロファイリングを可能にしている。しかし、現在の3D構造のカタログは、技術、ツール、データ解像度の低さにより不完全で信頼性の低いままである。機械学習の手法は、3Dインタラクションの欠如や解像度の改善の代替として登場した。これらの方法は、ゲノムアノテーションデータ(ChIP-seq、DNAse-seqなど)、DNAシークエンシング情報(k-mers、転写因子結合部位(TFBS)モチーフ)、その他のゲノム特性を用いてゲノムの特徴とクロマチン相互作用の関係を学習する。本稿では,3種類の3次元相互作用(EPI,クロマチン相互作用,TAD境界)を予測するための計算ツールについて述べる。また、3次元相互作用の計算予測の障害を指摘し、今後の研究方向性を提案する。

関連論文リスト

Stacked ensemble\-based mutagenicity prediction model using multiple modalities with graph attention network [0.9736758288065405]
変異原性は、様々なネガティブな結果をもたらす遺伝子変異と関連しているため、懸念される。本研究では,新しいアンサンブルに基づく変異原性予測モデルを提案する。
論文参考訳（メタデータ） (2024-09-03T09:14:21Z)
Protein binding affinity prediction under multiple substitutions applying eGNNs on Residue and Atomic graphs combined with Language model information: eGRAL [1.840390797252648]
ディープラーニングは、シリコン内予測と生体内観測のギャップを埋めることのできる強力なツールとして、ますます認識されている。タンパク質複合体中のアミノ酸置換物からの結合親和性変化を予測するための新しいグラフニューラルネットワークアーキテクチャであるeGRALを提案する。 eGralは、タンパク質の大規模言語モデルから抽出された特徴のおかげで、残基、原子スケール、進化スケールを利用する。
論文参考訳（メタデータ） (2024-05-03T10:33:19Z)
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)
Genetic InfoMax: Exploring Mutual Information Maximization in High-Dimensional Imaging Genetics Studies [50.11449968854487]
遺伝子ワイド・アソシエーション(GWAS)は、遺伝的変異と特定の形質の関係を同定するために用いられる。画像遺伝学の表現学習は、GWASによって引き起こされる固有の課題により、ほとんど探索されていない。本稿では,GWAS の具体的な課題に対処するために,トランスモーダル学習フレームワーク Genetic InfoMax (GIM) を提案する。
論文参考訳（メタデータ） (2023-09-26T03:59:21Z)
Automated 3D Pre-Training for Molecular Property Prediction [54.15788181794094]
新たな3D事前学習フレームワーク(3D PGT)を提案する。 3D分子グラフのモデルを事前訓練し、3D構造のない分子グラフに微調整する。提案した3次元PGTの精度, 効率, 一般化能力を示すために, 2次元分子グラフの大規模実験を行った。
論文参考訳（メタデータ） (2023-06-13T14:43:13Z)
UNADON: Transformer-based model to predict genome-wide chromosome spatial position [2.3980064191633232]
UNADONと呼ばれるトランスフォーマーに基づく新しいディープラーニングモデルを開発した。特定のタイプの核体へのゲノム全体の細胞学的距離を予測する。核体への大規模な区画化に影響を及ぼす潜在的な配列とエピジェノミクス因子を明らかにする。
論文参考訳（メタデータ） (2023-04-26T01:30:50Z)
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)
SemanticCAP: Chromatin Accessibility Prediction Enhanced by Features Learning from a Language Model [3.0643865202019698]
本稿では、ゲノムのアクセス可能な領域を特定するためのSemanticCAPという新しいソリューションを提案する。遺伝子配列のコンテキストをモデル化する遺伝子モデルを導入し、遺伝子配列の効果的な表現を提供する。公開ベンチマークによる他のシステムと比較すると,我々のモデルは性能が向上することが判明した。
論文参考訳（メタデータ） (2022-04-05T11:47:58Z)
GeoMol: Torsional Geometric Generation of Molecular 3D Conformer Ensembles [60.12186997181117]
分子グラフからの分子の3Dコンホメーラーアンサンブルの予測は、化学情報学と薬物発見の領域において重要な役割を担っている。既存の生成モデルは、重要な分子幾何学的要素のモデリングの欠如を含むいくつかの欠点がある。エンド・ツー・エンド、非自己回帰、SE(3)不変の機械学習手法であるGeoMolを提案し、3Dコンバータを生成する。
論文参考訳（メタデータ） (2021-06-08T14:17:59Z)
TSGCNet: Discriminative Geometric Feature Learning with Two-Stream GraphConvolutional Network for 3D Dental Model Segmentation [141.2690520327948]
2流グラフ畳み込みネットワーク(TSGCNet)を提案し、異なる幾何学的特性から多視点情報を学ぶ。 3次元口腔内スキャナーで得られた歯科モデルのリアルタイムデータセットを用いてTSGCNetの評価を行った。
論文参考訳（メタデータ） (2020-12-26T08:02:56Z)
ATOM3D: Tasks On Molecules in Three Dimensions [91.72138447636769]
近年、深層ニューラルネットワークが注目されている。本稿では,生物分子のいくつかの重要なクラスにまたがる新しいデータセットと既存のデータセットのコレクションであるATOM3Dを紹介する。これらのタスクごとに3次元の分子学習ネットワークを開発し、パフォーマンスを一貫して改善します。
論文参考訳（メタデータ） (2020-12-07T20:18:23Z)

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。