論文の概要: Boolean matrix logic programming for active learning of gene functions in genome-scale metabolic network models
- arxiv url: http://arxiv.org/abs/2405.06724v4
- Date: Fri, 06 Jun 2025 07:46:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-09 17:28:42.598499
- Title: Boolean matrix logic programming for active learning of gene functions in genome-scale metabolic network models
- Title（参考訳）: ゲノム規模メタボリックネットワークモデルにおける遺伝子機能の能動的学習のためのブール行列論理プログラミング
- Authors: Lun Ai, Stephen H. Muggleton, Shi-Shun Liang, Geoff S. Baldwin,
- Abstract要約: ゲノムスケールの代謝ネットワークモデル(GEM)は、生物学的システムの遺伝子工学を評価するために広く用いられている。
GEMは、主に遺伝子相互作用の不完全なアノテーションのために、遺伝子組み換え細胞の振る舞いを正確に予測できないことが多い。
我々は、費用対効果実験をガイドし、解釈可能な論理プログラムを用いて、モデル細菌の最先端GEMを符号化する新しいシステム、BMLP_active$を開発する。
- 参考スコア（独自算出の注目度）: 4.762323642506732
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Reasoning about hypotheses and updating knowledge through empirical observations are central to scientific discovery. In this work, we applied logic-based machine learning methods to drive biological discovery by guiding experimentation. Genome-scale metabolic network models (GEMs) - comprehensive representations of metabolic genes and reactions - are widely used to evaluate genetic engineering of biological systems. However, GEMs often fail to accurately predict the behaviour of genetically engineered cells, primarily due to incomplete annotations of gene interactions. The task of learning the intricate genetic interactions within GEMs presents computational and empirical challenges. To efficiently predict using GEM, we describe a novel approach called Boolean Matrix Logic Programming (BMLP) by leveraging Boolean matrices to evaluate large logic programs. We developed a new system, $BMLP_{active}$, which guides cost-effective experimentation and uses interpretable logic programs to encode a state-of-the-art GEM of a model bacterial organism. Notably, $BMLP_{active}$ successfully learned the interaction between a gene pair with fewer training examples than random experimentation, overcoming the increase in experimental design space. $BMLP_{active}$ enables rapid optimisation of metabolic models to reliably engineer biological systems for producing useful compounds. It offers a realistic approach to creating a self-driving lab for biological discovery, which would then facilitate microbial engineering for practical applications.
- Abstract（参考訳）: 仮説の推論と経験的観察による知識の更新は科学的な発見の中心である。
本研究では,実験を導くことによって生物学的発見を促進するために,論理ベースの機械学習手法を適用した。
ゲノムスケールメタボリックネットワークモデル(GEM) - 代謝遺伝子と反応の包括的表現 - は、生物学的システムの遺伝子工学を評価するために広く利用されている。
しかし、GEMは、主に遺伝子相互作用の不完全なアノテーションのために、遺伝子組み換え細胞の振る舞いを正確に予測できないことが多い。
GEM内の複雑な遺伝的相互作用を学習するタスクは、計算的および経験的課題を提示する。
GEMを用いて効率よく予測するために,Boolean Matrix Logic Programming (BMLP) と呼ばれる新しい手法を,Boolean Matrix Logic Programming (BMLP) を用いて検討した。
我々は、費用対効果実験をガイドし、解釈可能な論理プログラムを用いて、モデル細菌の最先端のGEMを符号化する新しいシステム、BMLP_{active}$を開発した。
特に、$BMLP_{active}$はランダムな実験よりも訓練例が少ない遺伝子ペア間の相互作用をうまく学習し、実験的な設計空間の増加を克服した。
$BMLP_{active}$は、代謝モデルの迅速な最適化を可能にし、有用な化合物を製造するための生物学的システムを確実に設計する。
これは、生物発見のための自動運転ラボを作るための現実的なアプローチを提供し、実践的な応用のための微生物工学を促進する。
関連論文リスト
- BioMaze: Benchmarking and Enhancing Large Language Models for Biological Pathway Reasoning [49.487327661584686]
実際の研究から5.1Kの複雑な経路問題を持つデータセットであるBioMazeを紹介する。
CoT法やグラフ拡張推論法などの手法の評価は,LLMが経路推論に苦慮していることを示している。
そこで本稿では,インタラクティブなサブグラフベースのナビゲーションにより推論を強化するLLMエージェントであるPathSeekerを提案する。
論文 参考訳（メタデータ） (2025-02-23T17:38:10Z) - Active learning of digenic functions with boolean matrix logic programming [4.762323642506732]
我々は、細胞工学の促進と生物学的発見を促進するために、論理ベースの機械学習技術を適用した。
ゲノムスケールの代謝ネットワークモデルの中で複雑な遺伝的相互作用を学ぶ。
新しいシステム、BMLP_active$は、情報的実験を導くことによってゲノム仮説空間を効率的に探索する。
論文 参考訳（メタデータ） (2024-08-19T18:47:07Z) - 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) - A Review of Neuroscience-Inspired Machine Learning [58.72729525961739]
バイオプルーシブル・クレジット・アサインメントは、事実上あらゆる学習条件と互換性があり、エネルギー効率が高い。
本稿では,人工ニューラルネットワークにおける信用代入の生体評価可能なルールをモデル化する,いくつかの重要なアルゴリズムについて検討する。
我々は,このようなアルゴリズムを実用アプリケーションでより有用にするためには,今後の課題に対処する必要があることを論じる。
論文 参考訳（メタデータ） (2024-02-16T18:05:09Z) - 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) - An Optimal Likelihood Free Method for Biological Model Selection [0.0]
システム生物学は、固有の生物学的複雑性を減らすために、生物学的システムの数学モデルを作成しようとしている。
本稿では, システム生物学の数学的モデルを用いた自動生物モデル選択アルゴリズムと, 可能性自由推論手法を提案する。
論文 参考訳（メタデータ） (2022-08-03T21:05:20Z) - Deep metric learning improves lab of origin prediction of genetically
engineered plasmids [63.05016513788047]
遺伝工学の属性(GEA)は、配列-ラブの関連を作る能力である。
本稿では,計量学習に基づいて,最も可能性の高い実験室をランク付けする手法を提案する。
我々は、特定の実験室のプラスミド配列のキーシグネチャを抽出することができ、モデル出力の解釈可能な検査を可能にする。
論文 参考訳（メタデータ） (2021-11-24T16:29:03Z) - Evolving spiking neuron cellular automata and networks to emulate in
vitro neuronal activity [0.0]
我々は生体内における生体ニューロンの行動パターンをエミュレートするスパイキング神経系を生産する。
我々のモデルは、ネットワーク全体の同期レベルを生成できた。
トップパフォーマンスモデルのゲノムは、生成した活動の複雑さを決定する上で、モデル内の接続の興奮性と密度が重要な役割を果たすことを示している。
論文 参考訳（メタデータ） (2021-10-15T17:55:04Z) - Mapping and Validating a Point Neuron Model on Intel's Neuromorphic
Hardware Loihi [77.34726150561087]
インテルの第5世代ニューロモルフィックチップ「Loihi」の可能性について検討する。
Loihiは、脳内のニューロンをエミュレートするスパイキングニューラルネットワーク(SNN)という新しいアイデアに基づいている。
Loihiは従来のシミュレーションを非常に効率的に再現し、ネットワークが大きくなるにつれて、時間とエネルギーの両方のパフォーマンスにおいて顕著にスケールする。
論文 参考訳（メタデータ） (2021-09-22T16:52:51Z) - Automated Biodesign Engineering by Abductive Meta-Interpretive Learning [8.788941848262786]
Abductive Meta-Interpretive Learning($Meta_Abd$)を活用した自動バイオデザインエンジニアリングフレームワークを提案します。
本稿では,Abductive Meta-Interpretive Learning(Meta_Abd$)を活用したバイオデザイン自動工学フレームワークを提案する。
論文 参考訳（メタデータ） (2021-05-17T12:10:26Z) - 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) - Machine Learning in Nano-Scale Biomedical Engineering [77.75587007080894]
ナノスケールバイオメディカルエンジニアリングにおける機械学習の利用に関する既存の研究について概説する。
ML問題として定式化できる主な課題は、3つの主要なカテゴリに分類される。
提示された方法論のそれぞれについて、その原則、応用、制限に特に重点を置いている。
論文 参考訳（メタデータ） (2020-08-05T15:45:54Z)
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。