論文の概要: Omics-driven hybrid dynamic modeling of bioprocesses with uncertainty estimation

• arxiv url: http://arxiv.org/abs/2410.18864v2
• Date: Mon, 16 Dec 2024 02:54:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-17 13:49:11.624171
• Title: Omics-driven hybrid dynamic modeling of bioprocesses with uncertainty estimation
• Title（参考訳）: 不確実性推定を伴うバイオプロセスのOmics駆動ハイブリッド動的モデリング
• Authors: Sebastián Espinel-Ríos, José Montaño López, José L. Avalos,
• Abstract要約: この研究は、機械学習ツールを統合するオミクス駆動モデリングパイプラインを提示している。 ランダムフォレストと置換特徴の重要性は、オミクスデータセットをマイニングするために提案されている。 連続的かつ微分可能な機械学習関数は、減ったオミクス機能を動的モデルのキーコンポーネントにリンクするように訓練することができる。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: This work presents an omics-driven modeling pipeline that integrates machine-learning tools to facilitate the dynamic modeling of multiscale biological systems. Random forests and permutation feature importance are proposed to mine omics datasets, guiding feature selection and dimensionality reduction for dynamic modeling. Continuous and differentiable machine-learning functions can be trained to link the reduced omics feature set to key components of the dynamic model, resulting in a hybrid model. As proof of concept, we apply this framework to a high-dimensional proteomics dataset of $\textit{Saccharomyces cerevisiae}$. After identifying key intracellular proteins that correlate with cell growth, targeted dynamic experiments are designed, and key model parameters are captured as functions of the selected proteins using Gaussian processes. This approach captures the dynamic behavior of yeast strains under varying proteome profiles while estimating the uncertainty in the hybrid model's predictions. The outlined modeling framework is adaptable to other scenarios, such as integrating additional layers of omics data for more advanced multiscale biological systems, or employing alternative machine-learning methods to handle larger datasets. Overall, this study outlines a strategy for leveraging omics data to inform multiscale dynamic modeling in systems biology and bioprocess engineering.
• Abstract（参考訳）: 本研究は,マルチスケールバイオシステムの動的モデリングを容易にするために,機械学習ツールを統合したオミクス駆動モデリングパイプラインを提案する。 ランダム・フォレストと置換特徴の重要度は、動的モデリングのための特徴選択と次元還元を導くオミクス・データセットをマイニングするために提案される。 連続的かつ微分可能な機械学習関数は、減らされたオミクス機能を動的モデルのキーコンポーネントにリンクするように訓練され、結果としてハイブリッドモデルとなる。 概念実証として、このフレームワークを $\textit{Saccharomyces cerevisiae}$ の高次元プロテオミクスデータセットに適用する。 細胞成長と相関する主要な細胞内タンパク質を同定した後、標的となる動的実験を設計し、ガウス過程を用いて選択されたタンパク質の機能としてキーモデルパラメータを捕捉する。 このアプローチは、ハイブリッドモデルの予測の不確実性を推定しながら、異なるプロテオームプロファイルの下での酵母株の動的挙動をキャプチャする。 概説されたモデリングフレームワークは、より高度なマルチスケールの生物学的システムにオミクスデータの追加レイヤを統合することや、より大きなデータセットを扱うために代替の機械学習手法を採用することなど、他のシナリオにも適用可能である。 本研究は, システム生物学とバイオプロセス工学におけるマルチスケールダイナミックモデリングにオミクスデータを活用するための戦略を概説する。

関連論文リスト

• 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)
• Generating Multi-Modal and Multi-Attribute Single-Cell Counts with CFGen [76.02070962797794]
  マルチモーダル単細胞数に対するフローベース条件生成モデルであるセルフロー・フォー・ジェネレーションを提案する。 本研究は, 新規な生成タスクを考慮に入れた上で, 重要な生物学的データ特性の回復性の向上を示唆するものである。
  論文  参考訳（メタデータ） (2024-07-16T14:05:03Z)
• Integrating GNN and Neural ODEs for Estimating Non-Reciprocal Two-Body Interactions in Mixed-Species Collective Motion [0.0]
  本稿では,観測軌道から基礎となる運動方程式を推定するための新しいディープラーニングフレームワークを提案する。 本フレームワークは,グラフニューラルネットワークとニューラルディファレンシャル方程式を統合し,二体相互作用の効果的な予測を可能にする。
  論文  参考訳（メタデータ） (2024-05-26T09:47:17Z)
• Modelling Cellular Perturbations with the Sparse Additive Mechanism Shift Variational Autoencoder [6.352775857356592]
  摂動モデルに対する合成性, 絡み合い, 解釈性を組み合わせたスパース加算機構シフト変分自動符号化器SAMS-VAEを提案する。 SAMS-VAEは、潜伏サンプルの潜伏状態を、潜伏介入効果のサンプル特異な変動と疎大なグローバル変数を捉えた局所潜伏変数の和としてモデル化する。 2つの一般的な単一セルシークエンシングデータセットを用いて,SAMS-VAEを定性的に評価した。
  論文  参考訳（メタデータ） (2023-11-05T23:37:31Z)
• Causal machine learning for single-cell genomics [94.28105176231739]
  単細胞ゲノミクスへの機械学習技術の応用とその課題について論じる。 まず, 単一細胞生物学における現在の因果的アプローチの基盤となるモデルについて述べる。 次に、単一セルデータへの因果的アプローチの適用におけるオープンな問題を特定する。
  論文  参考訳（メタデータ） (2023-10-23T13:35:24Z)
• Data-driven and Physics Informed Modelling of Chinese Hamster Ovary Cell Bioreactors [0.0]
  プロセスデータから,中国のハムスター卵巣細胞バイオリアクターの動的進化のモデルを学ぶためのデータ駆動ハイブリッドモデルを提案する。 我々は,過剰に決定された代謝生物物理系の凸最適化ステップを,我々のアーキテクチャに分化可能なフィードフォワード層としてエンコードする。
  論文  参考訳（メタデータ） (2023-05-05T03:09:33Z)
• Differentiable Agent-based Epidemiology [71.81552021144589]
  GradABM(GradABM)は、エージェントベースのモデリングのためのスケーラブルで微分可能な設計で、勾配に基づく学習と自動微分が可能である。 GradABMは、コモディティハードウェア上で数秒で数百万の人口をシミュレートし、ディープニューラルネットワークと統合し、異種データソースを取り込みます。
  論文  参考訳（メタデータ） (2022-07-20T07:32:02Z)
• Emerging Patterns in the Continuum Representation of Protein-Lipid Fingerprints [12.219106300827798]
  分子動力学モデルから1次元統計を用いた連続体モデルの性能評価を行った。 本研究では,連続体モデルから複雑かつ創発的な振る舞いを識別する高度予測型分類モデルを開発する。 提案手法は,タンパク質特異的な「脂質指紋」の存在,すなわち関心のあるタンパク質に対する脂質の空間的再構成の存在を確認する。
  論文  参考訳（メタデータ） (2022-07-09T20:07:49Z)
• Capturing Actionable Dynamics with Structured Latent Ordinary Differential Equations [68.62843292346813]
  本稿では,その潜在表現内でのシステム入力の変動をキャプチャする構造付き潜在ODEモデルを提案する。 静的変数仕様に基づいて,本モデルではシステムへの入力毎の変動要因を学習し,潜在空間におけるシステム入力の影響を分離する。
  論文  参考訳（メタデータ） (2022-02-25T20:00:56Z)
• Inference of cell dynamics on perturbation data using adjoint sensitivity [4.606583317143614]
  データ駆動型細胞生物学のダイナミックモデルを用いて、目に見えない摂動に対する細胞の反応を予測することができる。 最近の研究は、明示的な相互作用項を持つ解釈可能なモデルの導出を実証した。 本研究は,このモデル推論手法の適用範囲を生物システムの多様性に拡張することを目的としている。
  論文  参考訳（メタデータ） (2021-04-13T19:15:56Z)
• 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)

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。