論文の概要: Bayesian-Guided Generation of Synthetic Microbiomes with Minimized Pathogenicity

• arxiv url: http://arxiv.org/abs/2405.00070v1
• Date: Mon, 29 Apr 2024 21:30:30 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-02 17:35:46.981157
• Title: Bayesian-Guided Generation of Synthetic Microbiomes with Minimized Pathogenicity
• Title（参考訳）: 病原性を最小化した合成マイクロバイオームのベイズ誘導生成
• Authors: Nisha Pillai, Bindu Nanduri, Michael J Rothrock Jr., Zhiqian Chen, Mahalingam Ramkumar,
• Abstract要約: 合成マイクロバイオームは、MDR(multidtug resistance)研究における障壁に対処するために、微生物を調節する新しい可能性を提供する。 合成マイクロバイオームの空間を効率的に探索するためのベイズ最適化手法を提案する。 深層空間マッピングとベイズ学習を併用して効率的なガイド付きスクリーニングを行い, ベスポーク合成マイクロバイオームの創出の可能性を示した。
• 参考スコア（独自算出の注目度）: 5.794844059546945
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Synthetic microbiomes offer new possibilities for modulating microbiota, to address the barriers in multidtug resistance (MDR) research. We present a Bayesian optimization approach to enable efficient searching over the space of synthetic microbiome variants to identify candidates predictive of reduced MDR. Microbiome datasets were encoded into a low-dimensional latent space using autoencoders. Sampling from this space allowed generation of synthetic microbiome signatures. Bayesian optimization was then implemented to select variants for biological screening to maximize identification of designs with restricted MDR pathogens based on minimal samples. Four acquisition functions were evaluated: expected improvement, upper confidence bound, Thompson sampling, and probability of improvement. Based on each strategy, synthetic samples were prioritized according to their MDR detection. Expected improvement, upper confidence bound, and probability of improvement consistently produced synthetic microbiome candidates with significantly fewer searches than Thompson sampling. By combining deep latent space mapping and Bayesian learning for efficient guided screening, this study demonstrated the feasibility of creating bespoke synthetic microbiomes with customized MDR profiles.
• Abstract（参考訳）: 合成マイクロバイオームは、MDR(multidtug resistance)研究における障壁に対処するために、微生物を調節する新しい可能性を提供する。 本稿では,MDR削減の候補を特定するため,合成微生物変異体の空間を効率的に探索するベイズ最適化手法を提案する。 マイクロバイオームデータセットはオートエンコーダを用いて低次元の潜伏空間に符号化された。 この空間からサンプリングすることで、合成マイクロバイオームシグネチャの生成が可能となった。 ベイズ最適化は、最小限のサンプルに基づいて制限されたMDR病原体を用いた設計の識別を最大化するために生物学的スクリーニングのための変種を選択するために実装された。 4つの獲得関数が評価され, 期待改善, 上位信頼境界, トンプソンサンプリング, 改善確率が得られた。 各戦略に基づいて, 合成試料をMDR検出により優先した。 期待された改善, 高い信頼度, 改善の確率は, トンプソンサンプリングよりもはるかに少ない検索率で連続的に合成マイクロバイオーム候補を生成した。 深層潜時空間マッピングとベイズ学習を併用し, MDRプロファイルをカスタマイズした合成マイクロバイオームの創出の可能性を示した。

関連論文リスト

• Adaptive Sampling to Reduce Epistemic Uncertainty Using Prediction Interval-Generation Neural Networks [0.0]
  本稿では,予測モデルにおけるてんかんの不確実性を低減するための適応サンプリング手法を提案する。 我々の主な貢献は、潜在的なてんかんの不確実性を推定する計量の開発である。 ガウス過程(GP)に基づくバッチサンプリング戦略も提案する。 本研究では, 実験肥料の施肥率を選択するために, 3つの一次元合成問題と, 農業分野に基づく多次元データセットについて検討した。
  論文  参考訳（メタデータ） (2024-12-13T21:21:47Z)
• Constrained composite Bayesian optimization for rational synthesis of polymeric particles [0.7499722271664147]
  本研究では,制約付きおよび複合ベイズ最適化(CCBO)を統合し,ブラックボックス実現可能性制約の下で効率的な目標値最適化を行う。 CCBOは戦略的に不可能な条件を回避し、あらかじめ定義された大きさの目標に向けて効率的に粒子生産を最適化した。 実験では、ポリ(乳酸-コ-グリコール酸)粒子の300nmおよび3.0$mu$mの合理的合成を電気散布により導くためのCCBO機能を検証した。
  論文  参考訳（メタデータ） (2024-11-06T14:40:03Z)
• MoFormer: Multi-objective Antimicrobial Peptide Generation Based on Conditional Transformer Joint Multi-modal Fusion Descriptor [15.98003148948758]
  AMPの多属性同時最適化のための多目的AMP合成パイプライン(MoFormer)を構築した。 MoFormerは、条件付き制約ときめ細かいマルチディスクリプタによってガイドされる、高度に構造化された潜在空間におけるAMPシーケンスの望ましい属性を改善している。 抗微生物活性の増強と溶血の最小化により,MoFormerは既存の方法よりも優れていた。
  論文  参考訳（メタデータ） (2024-06-03T07:17:18Z)
• Application of data engineering approaches to address challenges in microbiome data for optimal medical decision-making [0.0]
  この研究は、マイクロバイオームのデータセットに固有の問題に対処し、パーソナライズされた医療を提供するのに非常に有益である可能性がある。 この研究で使用されたプロトタイプは、マイクロバイオームのデータセットに固有の問題に対処し、パーソナライズされた医療を提供するのに非常に有益である。
  論文  参考訳（メタデータ） (2023-06-30T05:36:39Z)
• Graph-Based Active Machine Learning Method for Diverse and Novel Antimicrobial Peptides Generation and Selection [57.131117785001194]
  新しいAMP候補の大規模スクリーニングは高価で、時間もかかり、発展途上国では手頃な価格となっている。 本稿では,新しいAMPの設計に必要なウェットラブ実験の数を統計的に最小化する,アクティブ機械学習ベースのフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-09-18T14:30:48Z)
• Designing Biological Sequences via Meta-Reinforcement Learning and Bayesian Optimization [68.28697120944116]
  メタ強化学習を用いて自己回帰生成モデルを訓練し、選択のための有望なシーケンスを提案する。 我々は,データのサブセットのサンプリングによって誘導されるMDPの分布に対する最適ポリシーを求める問題として,この問題を提起する。 このようなアンサンブルに対するメタラーニングは,報酬の過小評価に対して頑健であり,競争的な結果が得られることを示す。
  論文  参考訳（メタデータ） (2022-09-13T18:37:27Z)
• MetaRF: Differentiable Random Forest for Reaction Yield Prediction with a Few Trails [58.47364143304643]
  本稿では,反応収率予測問題に焦点をあてる。 筆者らはまず,数発の収量予測のために特別に設計された,注意に基づく識別可能なランダム森林モデルであるMetaRFを紹介した。 数発の学習性能を改善するために,さらに次元還元に基づくサンプリング手法を導入する。
  論文  参考訳（メタデータ） (2022-08-22T06:40:13Z)
• Strategising template-guided needle placement for MR-targeted prostate biopsy [4.098030060686299]
  2次元超音波像と生検針の連続的位置決めの動作を最適化する強化学習方針を学習する。 実験の結果, 提案したRL学習ポリシーは平均ヒット率93%, がんコア長11mmであった。
  論文  参考訳（メタデータ） (2022-07-21T23:27:07Z)
• Biological Sequence Design with GFlowNets [75.1642973538266]
  望ましい性質を持つデノボ生物配列の設計には、数ラウンドの分子のアイデアと高価なウェットラブ評価を伴う活性ループが伴うことが多い。 これにより、提案された候補の多様性は、構想段階において重要な考慮事項となる。 本稿では,不確実性推定と近年提案されているGFlowNetを多種多様な候補解の生成元として活用した能動的学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-03-02T15:53:38Z)
• Towards an Automatic Analysis of CHO-K1 Suspension Growth in Microfluidic Single-cell Cultivation [63.94623495501023]
  我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。 具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
  論文  参考訳（メタデータ） (2020-10-20T08:36:51Z)
• Accelerating Antimicrobial Discovery with Controllable Deep Generative Models and Molecular Dynamics [109.70543391923344]
  CLaSS(Controlled Latent attribute Space Smpling)は、分子の属性制御のための効率的な計算手法である。 深層学習分類器と原子論シミュレーションから得られた新しい特徴を併用して, 生成分子を付加的なキー属性としてスクリーニングする。 提案手法は, 強い広帯域能を有する非毒性抗菌性ペプチド(AMP)を設計するためのものである。
  論文  参考訳（メタデータ） (2020-05-22T15:57:58Z)

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。