論文の概要: Deep Neural Network-Based Prediction of B-Cell Epitopes for SARS-CoV and SARS-CoV-2: Enhancing Vaccine Design through Machine Learning

• arxiv url: http://arxiv.org/abs/2412.00109v1
• Date: Thu, 28 Nov 2024 01:54:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-04 15:48:20.916688
• Title: Deep Neural Network-Based Prediction of B-Cell Epitopes for SARS-CoV and SARS-CoV-2: Enhancing Vaccine Design through Machine Learning
• Title（参考訳）: 深部ニューラルネットワークによるSARS-CoVとSARS-CoV-2のB細胞エピトープ予測:機械学習によるワクチン設計の強化
• Authors: Xinyu Shi, Yixin Tao, Shih-Chi Lin,
• Abstract要約: B細胞の正確な予測は、SARSやCOVID-19などの感染症に対するワクチン開発を導く上で重要である。 従来のシーケンスベースの手法は、大きな複雑なデータセットに苦しむことが多いが、ディープラーニングは予測精度を有望に改善する。 その結果、新型コロナウイルスの陰性および陽性の症例の予測では82%の総合的精度を示し、陽性サンプルの検出には改善の余地があった。
• 参考スコア（独自算出の注目度）: 4.728153103738193
• License:
• Abstract: The accurate prediction of B-cell epitopes is critical for guiding vaccine development against infectious diseases, including SARS and COVID-19. This study explores the use of a deep neural network (DNN) model to predict B-cell epitopes for SARS-CoVandSARS-CoV-2,leveraging a dataset that incorporates essential protein and peptide features. Traditional sequence-based methods often struggle with large, complex datasets, but deep learning offers promising improvements in predictive accuracy. Our model employs regularization techniques, such as dropout and early stopping, to enhance generalization, while also analyzing key features, including isoelectric point and aromaticity, that influence epitope recognition. Results indicate an overall accuracy of 82% in predicting COVID-19 negative and positive cases, with room for improvement in detecting positive samples. This research demonstrates the applicability of deep learning in epitope mapping, suggesting that such approaches can enhance the speed and precision of vaccine design for emerging pathogens. Future work could incorporate structural data and diverse viral strains to further refine prediction capabilities.
• Abstract（参考訳）: B細胞エピトープの正確な予測は、SARSやCOVID-19などの感染症に対するワクチン開発を導く上で重要である。 本研究では,SARS-CoVandSARS-CoV-2のB細胞エピトープの予測にディープニューラルネットワーク(DNN)モデルを用いることを検討した。 従来のシーケンスベースの手法は、大きな複雑なデータセットに苦しむことが多いが、ディープラーニングは予測精度を有望に改善する。 本モデルでは, 降雨や早期停止などの正規化手法を用いて一般化を促進させるとともに, エピトープ認識に影響を与える等電点や芳香度などの重要な特徴を解析する。 その結果、新型コロナウイルスの陰性および陽性の症例の予測では82%の総合的精度を示し、陽性サンプルの検出には改善の余地があった。 本研究は, エピトープマッピングにおける深層学習の適用性を実証し, 新興病原体に対するワクチン設計の高速化と精度の向上を示唆する。 今後の研究は、構造データと多様なウイルス株を組み込んで予測能力をさらに洗練する可能性がある。

関連論文リスト

• Prediction of Lung Metastasis from Hepatocellular Carcinoma using the SEER Database [0.9055332067000195]
  肝細胞癌(HCC)は、がん関連死亡の原因である。 HCCにおける肺転移の予測モデルは、範囲と臨床応用性に限られている。 本研究では,Surveillance, Epidemiology, End Results (SEER)データベースのデータを用いて,エンドツーエンドの機械学習パイプラインの開発と検証を行う。
  論文  参考訳（メタデータ） (2025-01-20T20:06:31Z)
• COVID-19 Probability Prediction Using Machine Learning: An Infectious Approach [0.0]
  本研究は、新型コロナウイルス感染確率を予測するための高度な機械学習(ML)技術の適用について検討する。 我々はXGBoost, LGBM, AdaBoost, Logistic Regression, Decision Tree, RandomForest, CatBoost, KNN, Deep Neural Networks (DNN) などのMLモデルの有効性について厳密な調査を行った。 以上の結果から,Deep Neural Networks (DNN) が最高性能モデルとして登場し,精度が向上し,リコール指標が得られた。
  論文  参考訳（メタデータ） (2024-08-23T05:15:24Z)
• MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data Augmentation [58.93221876843639]
  本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。 トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。 ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
  論文  参考訳（メタデータ） (2023-10-04T01:36:30Z)
• Dense Feature Memory Augmented Transformers for COVID-19 Vaccination Search Classification [60.49594822215981]
  本稿では,新型コロナウイルスワクチン関連検索クエリの分類モデルを提案する。 本稿では,モデルが対応可能なメモリトークンとして,高密度特徴を考慮した新しい手法を提案する。 この新しいモデリング手法により,Vaccine Search Insights (VSI) タスクを大幅に改善できることを示す。
  論文  参考訳（メタデータ） (2022-12-16T13:57:41Z)
• COVID-Net Biochem: An Explainability-driven Framework to Building Machine Learning Models for Predicting Survival and Kidney Injury of COVID-19 Patients from Clinical and Biochemistry Data [66.43957431843324]
  我々は、機械学習モデルを構築するための汎用的で説明可能なフレームワークであるCOVID-Net Biochemを紹介する。 この枠組みを用いて、新型コロナウイルス患者の生存率と、入院中に急性腎不全を発症する可能性を予測する。
  論文  参考訳（メタデータ） (2022-04-24T07:38:37Z)
• Predicting the Binding of SARS-CoV-2 Peptides to the Major Histocompatibility Complex with Recurrent Neural Networks [0.40040974874482094]
  我々は、繰り返しニューラルネットワークに基づく概念的にシンプルな予測アルゴリズムであるUSMPepを適応し、拡張する。 最近リリースされたSARS-CoV-2データセットの性能をバインディング安定性測定で評価します。
  論文  参考訳（メタデータ） (2021-04-16T17:16:35Z)
• Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
  本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。 私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
  論文  参考訳（メタデータ） (2021-04-07T06:02:04Z)
• Uncertainty Estimation in SARS-CoV-2 B-cell Epitope Prediction for Vaccine Development [0.36130723421895944]
  臨床医のテクノロジーに対する信頼を得るには、予測にどのくらいの信頼性があるかを知ることも不可欠です。 臨床医のテクノロジーに対する信頼を得るには、予測にどのくらいの信頼性があるかを知ることも不可欠です。
  論文  参考訳（メタデータ） (2021-03-20T17:10:49Z)
• STELAR: Spatio-temporal Tensor Factorization with Latent Epidemiological Regularization [76.57716281104938]
  我々は,多くの地域の流行傾向を同時に予測するテンソル法を開発した。 stelarは離散時間差分方程式のシステムを通じて潜在時間正規化を組み込むことで長期予測を可能にする。 我々は、カウンティレベルと州レベルのCOVID-19データの両方を用いて実験を行い、このモデルが流行の興味深い潜伏パターンを識別できることを示します。
  論文  参考訳（メタデータ） (2020-12-08T21:21:47Z)
• UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced Data [81.00385374948125]
  我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。 UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。 非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。 UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
  論文  参考訳（メタデータ） (2020-10-22T02:28:11Z)
• Simulation of Covid-19 epidemic evolution: are compartmental models really predictive? [0.0]
  本稿では,無症候性および死亡個体群に富んだSIR疫学モデルが,流行の進展を確実に予測できるかどうかを論じる。 粒子群最適化(PSO)に基づく機械学習手法を提案する。 予測における散乱の分析は、モデル予測がトレーニングに使用されるデータセットのサイズに非常に敏感であり、さらにデータが必要であることを示している。
  論文  参考訳（メタデータ） (2020-04-14T08:42:11Z)

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。