論文の概要: LSTM Autoencoder-based Deep Neural Networks for Barley Genotype-to-Phenotype Prediction

• arxiv url: http://arxiv.org/abs/2407.16709v1
• Date: Sun, 21 Jul 2024 16:07:43 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-25 17:52:45.646652
• Title: LSTM Autoencoder-based Deep Neural Networks for Barley Genotype-to-Phenotype Prediction
• Title（参考訳）: LSTMオートエンコーダを用いた大麦遺伝子間予測のためのディープニューラルネットワーク
• Authors: Guanjin Wang, Junyu Xuan, Penghao Wang, Chengdao Li, Jie Lu,
• Abstract要約: そこで本研究では,オオムギの開花時期と収量推定のために,オオムギの遺伝子型からフェノタイプへの予測のためのLSTMオートエンコーダを用いた新しいモデルを提案する。 我々のモデルは、複雑な高次元農業データセットを扱う可能性を示す他のベースライン手法よりも優れていた。
• 参考スコア（独自算出の注目度）: 16.99449054451577
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Artificial Intelligence (AI) has emerged as a key driver of precision agriculture, facilitating enhanced crop productivity, optimized resource use, farm sustainability, and informed decision-making. Also, the expansion of genome sequencing technology has greatly increased crop genomic resources, deepening our understanding of genetic variation and enhancing desirable crop traits to optimize performance in various environments. There is increasing interest in using machine learning (ML) and deep learning (DL) algorithms for genotype-to-phenotype prediction due to their excellence in capturing complex interactions within large, high-dimensional datasets. In this work, we propose a new LSTM autoencoder-based model for barley genotype-to-phenotype prediction, specifically for flowering time and grain yield estimation, which could potentially help optimize yields and management practices. Our model outperformed the other baseline methods, demonstrating its potential in handling complex high-dimensional agricultural datasets and enhancing crop phenotype prediction performance.
• Abstract（参考訳）: 人工知能(AI)は、作物の生産性の向上、最適化された資源利用、農業の持続可能性、情報的意思決定など、精密農業の鍵を握っている。 また、ゲノムシークエンシング技術の拡充により、作物ゲノム資源が大幅に増加し、遺伝的変異の理解が深まり、様々な環境におけるパフォーマンスを最適化するために好まれる作物形質が強化された。 機械学習(ML)とディープラーニング(DL)アルゴリズムを、大規模な高次元データセット内での複雑な相互作用の捕捉に長けていることから、ジェノタイプからフェノタイプへの予測に利用することへの関心が高まっている。 本研究では,大麦の遺伝子型からフェノタイプへの予測,特に開花時期と収量推定のためのLSTMオートエンコーダモデルを提案する。 本モデルでは, 複雑な高次元農業データセットの処理や, 作物の表現型予測性能の向上など, その他のベースライン手法よりも優れていた。

関連論文リスト

• Automatically Learning Hybrid Digital Twins of Dynamical Systems [56.69628749813084]
  Digital Twins (DT)は、現実世界のシステムの状態と時間力学をシミュレートする。 DTは、しばしばデータスカース設定で目に見えない条件に一般化するのに苦労します。 本稿では,HDTwinsを自律的に提案し,評価し,最適化するための進化的アルゴリズム(textbfHDTwinGen$)を提案する。
  論文  参考訳（メタデータ） (2024-10-31T07:28:22Z)
• Disentangling Genotype and Environment Specific Latent Features for Improved Trait Prediction using a Compositional Autoencoder [1.137896937254823]
  本研究では,植物育種および遺伝学プログラムにおける形質予測を改善するための合成オートエンコーダフレームワークを提案する。 潜伏する特徴を遠ざけることで、CAEは精密な育種と遺伝的研究のための強力なツールを提供する。
  論文  参考訳（メタデータ） (2024-10-25T18:30:27Z)
• Knowledge-Driven Feature Selection and Engineering for Genotype Data with Large Language Models [35.084222907099644]
  FREEFORM, Free-flow Reasoning, Ensembling for Enhanced Feature Output and Robust Modeling。 https://github.com/PennShenLab/FREEFORM.com/FreeFORMはGitHubのオープンソースフレームワークとして利用可能だ。
  論文  参考訳（メタデータ） (2024-10-02T17:53:08Z)
• 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)
• Improving Biomedical Entity Linking with Retrieval-enhanced Learning [53.24726622142558]
  $k$NN-BioELは、トレーニングコーパス全体から同様のインスタンスを予測のヒントとして参照する機能を備えたBioELモデルを提供する。 k$NN-BioELは、いくつかのデータセットで最先端のベースラインを上回ります。
  論文  参考訳（メタデータ） (2023-12-15T14:04:23Z)
• Machine Learning Small Molecule Properties in Drug Discovery [44.62264781248437]
  我々は, 結合親和性, 溶解性, ADMET (吸収, 分布, 代謝, 排出, 毒性) を含む幅広い特性について検討する。 化学指紋やグラフベースニューラルネットワークなど,既存の一般的な記述子や埋め込みについて論じる。 最後に、モデル予測の理解を提供する技術、特に薬物発見における重要な意思決定について評価する。
  論文  参考訳（メタデータ） (2023-08-02T22:18:41Z)
• Integrating processed-based models and machine learning for crop yield prediction [1.3107669223114085]
  本研究では,ハイブリッドメタモデリング手法を用いてジャガイモ収量予測を行う。 作物成長モデルを用いて、畳み込みニューラルネットを(前)訓練するための合成データを生成する。 シリコンに適用すると、我々のメタモデリング手法は、純粋にデータ駆動のアプローチからなるベースラインよりも優れた予測が得られる。
  論文  参考訳（メタデータ） (2023-07-25T12:51:25Z)
• Guiding Generative Language Models for Data Augmentation in Few-Shot Text Classification [59.698811329287174]
  我々は、GPT-2を用いて、分類性能を向上させるために、人工訓練インスタンスを生成する。 実験の結果,少数のラベルインスタンスでGPT-2を微調整すると,一貫した分類精度が向上することがわかった。
  論文  参考訳（メタデータ） (2021-11-17T12:10:03Z)
• Genetically Optimized Prediction of Remaining Useful Life [4.115847582689283]
  LSTMおよびGRUモデルを実装し、得られた結果と提案された遺伝子訓練ニューラルネットワークを比較します。 遺伝的アルゴリズムを用いた他の最適化層を追加することによって,予測の整合性の向上を期待する。 これらのモデルと提案されたアーキテクチャは、nasaのターボファンジェットエンジンデータセットでテストされている。
  論文  参考訳（メタデータ） (2021-02-17T16:09:23Z)
• Generative Data Augmentation for Commonsense Reasoning [75.26876609249197]
  G-DAUGCは、低リソース環境でより正確で堅牢な学習を実現することを目的とした、新しい生成データ拡張手法である。 G-DAUGCは、バックトランスレーションに基づく既存のデータ拡張手法を一貫して上回っている。 分析の結果,G-DAUGCは多種多様な流線型学習例を産出し,その選択と学習アプローチが性能向上に重要であることが示された。
  論文  参考訳（メタデータ） (2020-04-24T06:12:10Z)
• GeneCAI: Genetic Evolution for Acquiring Compact AI [36.04715576228068]
  ディープニューラルネットワーク(DNN)は、より高い推論精度を達成するために、より複雑なアーキテクチャへと進化している。 モデル圧縮技術は、リソース制限されたモバイルデバイスにそのような計算集約的なアーキテクチャを効率的に展開するために利用することができる。 本稿では,階層ごとの圧縮ハイパーパラメータのチューニング方法を自動的に学習する新しい最適化手法であるGeneCAIを紹介する。
  論文  参考訳（メタデータ） (2020-04-08T20:56:37Z)

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。