論文の概要: DANCE: Deep Learning-Assisted Analysis of Protein Sequences Using Chaos Enhanced Kaleidoscopic Images
- arxiv url: http://arxiv.org/abs/2409.06694v1
- Date: Tue, 10 Sep 2024 17:55:59 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-11 16:23:35.048775
- Title: DANCE: Deep Learning-Assisted Analysis of Protein Sequences Using Chaos Enhanced Kaleidoscopic Images
- Title（参考訳）: DANCE:Chaos Enhanced Kaleidoscopic Imageを用いた深層学習支援タンパク質配列の解析
- Authors: Taslim Murad, Prakash Chourasia, Sarwan Ali, Murray Patterson,
- Abstract要約: 癌は、制御不能な細胞増殖を特徴とする複雑な疾患である。
T細胞受容体(TCR)は、癌に関連する抗原の認識において重要な役割を担っている。
近年のシークエンシング技術の進歩は、TCRレパートリーの包括的なプロファイリングを促進している。
- 参考スコア（独自算出の注目度）: 4.824821328103934
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Cancer is a complex disease characterized by uncontrolled cell growth. T cell receptors (TCRs), crucial proteins in the immune system, play a key role in recognizing antigens, including those associated with cancer. Recent advancements in sequencing technologies have facilitated comprehensive profiling of TCR repertoires, uncovering TCRs with potent anti-cancer activity and enabling TCR-based immunotherapies. However, analyzing these intricate biomolecules necessitates efficient representations that capture their structural and functional information. T-cell protein sequences pose unique challenges due to their relatively smaller lengths compared to other biomolecules. An image-based representation approach becomes a preferred choice for efficient embeddings, allowing for the preservation of essential details and enabling comprehensive analysis of T-cell protein sequences. In this paper, we propose to generate images from the protein sequences using the idea of Chaos Game Representation (CGR) using the Kaleidoscopic images approach. This Deep Learning Assisted Analysis of Protein Sequences Using Chaos Enhanced Kaleidoscopic Images (called DANCE) provides a unique way to visualize protein sequences by recursively applying chaos game rules around a central seed point. we perform the classification of the T cell receptors (TCRs) protein sequences in terms of their respective target cancer cells, as TCRs are known for their immune response against cancer disease. The TCR sequences are converted into images using the DANCE method. We employ deep-learning vision models to perform the classification to obtain insights into the relationship between the visual patterns observed in the generated kaleidoscopic images and the underlying protein properties. By combining CGR-based image generation with deep learning classification, this study opens novel possibilities in the protein analysis domain.
- Abstract（参考訳）: 癌は、制御不能な細胞増殖を特徴とする複雑な疾患である。
免疫系において重要なタンパク質であるT細胞受容体(TCR)は、がんに関連する抗原の認識において重要な役割を担っている。
近年のシークエンシング技術の進歩は、TCRレパートリーの包括的プロファイリングを促進し、強力な抗がん活性を持つTCRを発見し、TCRベースの免疫療法を可能にしている。
しかし、これらの複雑な生体分子を解析するには、それらの構造的および機能的な情報をキャプチャする効率的な表現が必要である。
T細胞タンパク質配列は、他の生体分子と比較して長さが比較的小さいため、特異な課題を引き起こす。
画像に基づく表現アプローチは、効率的な埋め込みに好適な選択となり、重要な詳細を保存し、T細胞タンパク質配列の包括的な解析を可能にする。
本稿では,カレイドスコピック画像を用いたカオスゲーム表現(CGR)の概念を用いて,タンパク質配列から画像を生成することを提案する。
このDeep Learning Assisted Analysis of Protein Sequences using Chaos Enhanced Kaleidoscopic Images (DANCE)は、中央のシードポイントの周りにカオスゲームルールを再帰的に適用することで、タンパク質配列を可視化するユニークな方法を提供する。
TCRは癌に対する免疫応答で知られており,T細胞受容体(TCR)タンパク質配列の分類を行う。
TCRシーケンスはDANCE法を用いて画像に変換する。
そこで我々は, 深層学習型視覚モデルを用いて, 生成したカレイドスコープ画像の視覚パターンと, 基礎となるタンパク質の性質との関係を把握した。
CGRに基づく画像生成とディープラーニングの分類を組み合わせることで、タンパク質分析領域における新たな可能性を開くことができる。
関連論文リスト
- TopoTxR: A topology-guided deep convolutional network for breast parenchyma learning on DCE-MRIs [49.69047720285225]
そこで本研究では,乳房側葉構造をよりよく近似するために,マルチスケールのトポロジ構造を明示的に抽出する新しいトポロジカルアプローチを提案する。
VICTREファントム乳房データセットを用いてemphTopoTxRを実験的に検証した。
本研究の質的および定量的分析は,乳房組織における画像診断におけるトポロジカルな挙動を示唆するものである。
論文 参考訳（メタデータ） (2024-11-05T19:35:10Z) - SFM-Protein: Integrative Co-evolutionary Pre-training for Advanced Protein Sequence Representation [97.99658944212675]
タンパク質基盤モデルのための新しい事前学習戦略を導入する。
アミノ酸残基間の相互作用を強調し、短距離および長距離の共進化的特徴の抽出を強化する。
大規模タンパク質配列データセットを用いて学習し,より優れた一般化能力を示す。
論文 参考訳（メタデータ） (2024-10-31T15:22:03Z) - Automated HER2 Scoring in Breast Cancer Images Using Deep Learning and Pyramid Sampling [3.711848341917877]
IHC-stained BC 組織像のHER2状態の自動分類にピラミッドサンプリングを用いた深層学習に基づくアプローチを提案する。
本手法は, 様々な空間スケールで形態的特徴を分析し, 計算負荷を効率的に管理し, 細胞レベルでの組織レベルでの詳細な検討を容易にする。
論文 参考訳（メタデータ） (2024-04-01T00:23:22Z) - Single-Cell Deep Clustering Method Assisted by Exogenous Gene
Information: A Novel Approach to Identifying Cell Types [50.55583697209676]
我々は,細胞間のトポロジ的特徴を効率的に捉えるために,注目度の高いグラフオートエンコーダを開発した。
クラスタリング過程において,両情報の集合を統合し,細胞と遺伝子の特徴を再構成し,識別的表現を生成する。
本研究は、細胞の特徴と分布に関する知見を高め、疾患の早期診断と治療の基礎となる。
論文 参考訳（メタデータ） (2023-11-28T09:14:55Z) - Adapting Segment Anything Model (SAM) through Prompt-based Learning for
Enhanced Protein Identification in Cryo-EM Micrographs [16.923131723754192]
低温電子顕微鏡(cryo-EM)は構造生物学において重要な存在である。
TopazやcrYOLOといった最近のAIツールは、Cryo-EMイメージの課題を完全に解決していない。
本研究では,最先端画像分割基盤モデルセグメンション・アプライシング・モデルに適応するための即時学習について検討した。
論文 参考訳（メタデータ） (2023-11-04T14:20:08Z) - CellGAN: Conditional Cervical Cell Synthesis for Augmenting
Cytopathological Image Classification [11.255093167227928]
現在の解決策は、不審な細胞を局所化し、局所的なパッチに基づいて異常を分類する必要がある。
セルGANは、画像生成にセルタイプ情報を効果的に組み込む非線形クラスマッピングネットワークを備えている。
論文 参考訳（メタデータ） (2023-07-12T14:13:54Z) - T Cell Receptor Protein Sequences and Sparse Coding: A Novel Approach to
Cancer Classification [4.824821328103934]
T細胞受容体(TCR)は、適応免疫系に必須のタンパク質である。
近年のシークエンシング技術の進歩により、TCRレパートリーの包括的なプロファイリングが可能になった。
これにより、強力な抗がん活性を持つTCRの発見とTCRベースの免疫療法の開発につながった。
論文 参考訳（メタデータ） (2023-04-25T20:43:41Z) - Cross-Gate MLP with Protein Complex Invariant Embedding is A One-Shot
Antibody Designer [58.97153056120193]
抗体の特異性は、その相補性決定領域(CDR)によって決定される
従来の研究では、複雑な技術を使ってCDRを生成するが、不適切な幾何学的モデリングに悩まされている。
本稿では,CDRの1次元配列と3次元構造を1ショットで共設計できるテクスタイスシンプルで効果的なモデルを提案する。
論文 参考訳（メタデータ） (2023-04-21T13:24:26Z) - Learning Geometrically Disentangled Representations of Protein Folding
Simulations [72.03095377508856]
この研究は、薬物標的タンパク質の構造的アンサンブルに基づいて生成ニューラルネットワークを学習することに焦点を当てている。
モデル課題は、様々な薬物分子に結合したタンパク質の構造的変動を特徴付けることである。
その結果,我々の幾何学的学習に基づく手法は,複雑な構造変化を生成するための精度と効率の両方を享受できることがわかった。
論文 参考訳（メタデータ） (2022-05-20T19:38:00Z) - Structure-aware Protein Self-supervised Learning [50.04673179816619]
本稿では,タンパク質の構造情報を取得するための構造認識型タンパク質自己教師学習法を提案する。
特に、タンパク質構造情報を保存するために、よく設計されたグラフニューラルネットワーク(GNN)モデルを事前訓練する。
タンパク質言語モデルにおける逐次情報と特別に設計されたGNNモデルにおける構造情報との関係を,新しい擬似二段階最適化手法を用いて同定する。
論文 参考訳（メタデータ） (2022-04-06T02:18:41Z) - Multi-scale Deep Learning Architecture for Nucleus Detection in Renal
Cell Carcinoma Microscopy Image [7.437224586066945]
クリアセル腎細胞癌(CCRCC)は、腎癌の研究における腫瘍内異種性の最も一般的な形態の1つです。
本稿では,IHC染色組織像の細胞分類のための深層学習に基づく検出モデルを提案する。
本モデルでは,マルチスケールピラミッドの特徴と局所境界領域からのサリーエンシー情報をマッピングし,回帰によって境界ボックス座標を予測する。
論文 参考訳（メタデータ） (2021-04-28T03:36:02Z)
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。