論文の概要: Transfer Learning for T-Cell Response Prediction

• arxiv url: http://arxiv.org/abs/2403.12117v1
• Date: Mon, 18 Mar 2024 17:32:19 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-20 18:41:45.025610
• Title: Transfer Learning for T-Cell Response Prediction
• Title（参考訳）: T細胞応答予測のための伝達学習
• Authors: Josua Stadelmaier, Brandon Malone, Ralf Eggeling,
• Abstract要約: 特定のペプチドに対するT細胞応答の予測について検討した。 膨らませた予測性能の危険性は,単に理論的なものではなく,実際に発生することを示す。
• 参考スコア（独自算出の注目度）: 0.1874930567916036
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We study the prediction of T-cell response for specific given peptides, which could, among other applications, be a crucial step towards the development of personalized cancer vaccines. It is a challenging task due to limited, heterogeneous training data featuring a multi-domain structure; such data entail the danger of shortcut learning, where models learn general characteristics of peptide sources, such as the source organism, rather than specific peptide characteristics associated with T-cell response. Using a transformer model for T-cell response prediction, we show that the danger of inflated predictive performance is not merely theoretical but occurs in practice. Consequently, we propose a domain-aware evaluation scheme. We then study different transfer learning techniques to deal with the multi-domain structure and shortcut learning. We demonstrate a per-source fine tuning approach to be effective across a wide range of peptide sources and further show that our final model outperforms existing state-of-the-art approaches for predicting T-cell responses for human peptides.
• Abstract（参考訳）: 特定の特定のペプチドに対するT細胞応答の予測について検討し、特に、パーソナライズされたがんワクチンの開発に向けた重要なステップとなる可能性がある。 モデルは、T細胞応答に関連する特定のペプチド特性よりも、ソース生物のようなペプチド源の一般的な特性を学習する。 本稿では,T細胞応答予測のためのトランスフォーマーモデルを用いて,膨らませた予測性能の危険性は理論上ではなく,実際に発生することを示す。 そこで本研究では,ドメイン認識評価手法を提案する。 次に、多領域構造とショートカット学習を扱うために、異なるトランスファー学習手法について研究する。 さらに,本研究の最終モデルは,ヒトペプチドに対するT細胞応答を予測するために,既存の最先端のアプローチよりも優れていることを示す。

関連論文リスト

• BoostAdapter: Improving Vision-Language Test-Time Adaptation via Regional Bootstrapping [64.8477128397529]
  本稿では,テスト時間適応フレームワークを提案する。 我々は、インスタンスに依存しない履歴サンプルとインスタンスを意識したブースティングサンプルから特徴を検索するための軽量なキー値メモリを維持している。 理論的には,本手法の背後にある合理性を正当化し,アウト・オブ・ディストリビューションとクロスドメイン・データセットの両方において,その有効性を実証的に検証する。
  論文  参考訳（メタデータ） (2024-10-20T15:58:43Z)
• Multi-Peptide: Multimodality Leveraged Language-Graph Learning of Peptide Properties [5.812284760539713]
  Multi-Peptideは、トランスフォーマーベースの言語モデルとグラフニューラルネットワーク(GNN)を組み合わせてペプチドの性質を予測する革新的なアプローチである。 溶血性データセットおよび非汚泥性データセットの評価は、多ペプチドの堅牢性を示し、溶血性予測における最先端86.185%の精度を達成する。 本研究は, 生体情報学におけるマルチモーダル学習の可能性を強調し, ペプチドを用いた研究・応用における正確かつ信頼性の高い予測方法を模索する。
  論文  参考訳（メタデータ） (2024-07-02T20:13:47Z)
• Contrastive learning of T cell receptor representations [11.053778245621544]
  データ効率のよい転送学習が可能なTCR言語モデルSCEPTRを導入する。 本稿では,自己コントラスト学習とマスク付き言語モデリングを組み合わせた新しい事前学習戦略を提案する。 コントラスト学習は,TCRの特異性のルールを復号化するための有用なパラダイムとして期待できる。
  論文  参考訳（メタデータ） (2024-06-10T15:50:45Z)
• Seeing Unseen: Discover Novel Biomedical Concepts via Geometry-Constrained Probabilistic Modeling [53.7117640028211]
  同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。 構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。 スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
  論文  参考訳（メタデータ） (2024-03-02T00:56:05Z)
• BeeTLe: A Framework for Linear B-Cell Epitope Prediction and Classification [0.43512163406551996]
  本稿では, 線形B細胞予測と抗体型特異的分類のための, 深層学習に基づく新しいフレームワークを提案する。 そこで本研究では, モデルが抗体の表現を学習するのを助けるために, 固有分解に基づくアミノ酸符号化法を提案する。 最大の公開データベースからキュレートしたデータに対する実験結果から,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2023-09-05T09:18:29Z)
• Diverse Data Augmentation with Diffusions for Effective Test-time Prompt Tuning [73.75282761503581]
  DiffTPTを提案する。DiffTPTは,事前学習した拡散モデルを用いて,多種多様な情報データを生成する。 DiffTPTがゼロショット精度を平均5.13%向上することを示す。
  論文  参考訳（メタデータ） (2023-08-11T09:36:31Z)
• Efficient Prediction of Peptide Self-assembly through Sequential and Graphical Encoding [57.89530563948755]
  この研究は、高度なディープラーニングモデルを用いたペプチドエンコーディングのベンチマーク分析を提供する。 等電点や水和自由エネルギーなど、幅広いペプチド関連予測のガイドとして機能する。
  論文  参考訳（メタデータ） (2023-07-17T00:43:33Z)
• Predicting Cellular Responses with Variational Causal Inference and Refined Relational Information [13.106564921658089]
  そこで本稿では,非現実的摂動下での細胞の遺伝子発現を予測するために,ベイズ因果推論フレームワークを提案する。 我々は、遺伝子制御ネットワークの形で生物学的知識を表す情報を活用して、個別化された細胞応答予測を支援する。
  論文  参考訳（メタデータ） (2022-09-30T22:13:57Z)
• Robust Transferable Feature Extractors: Learning to Defend Pre-Trained Networks Against White Box Adversaries [69.53730499849023]
  また, 予測誤差を誘導するために, 逆例を独立に学習した別のモデルに移すことが可能であることを示す。 本稿では,頑健な伝達可能な特徴抽出器(RTFE)と呼ばれる,ディープラーニングに基づく事前処理機構を提案する。
  論文  参考訳（メタデータ） (2022-09-14T21:09:34Z)
• Ensemble Transfer Learning for the Prediction of Anti-Cancer Drug Response [49.86828302591469]
  本稿では,抗がん剤感受性の予測にトランスファーラーニングを適用した。 我々は、ソースデータセット上で予測モデルをトレーニングし、ターゲットデータセット上でそれを洗練する古典的な転送学習フレームワークを適用した。 アンサンブル転送学習パイプラインは、LightGBMと異なるアーキテクチャを持つ2つのディープニューラルネットワーク(DNN)モデルを使用して実装されている。
  論文  参考訳（メタデータ） (2020-05-13T20:29:48Z)

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。