論文の概要: PROTECT: Protein circadian time prediction using unsupervised learning
- arxiv url: http://arxiv.org/abs/2501.07405v1
- Date: Mon, 13 Jan 2025 15:21:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-14 14:27:46.729331
- Title: PROTECT: Protein circadian time prediction using unsupervised learning
- Title（参考訳）: PROTECT: 教師なし学習を用いたタンパク質概日時予測
- Authors: Aram Ansary Ogholbake, Qiang Cheng,
- Abstract要約: 本研究では,時間ラベルやタンパク質や遺伝子の事前知識を必要とせず,プロテオームデータから概日サンプル相を予測する新しい手法を開発した。
時間ラベル付きおよび未ラベルのプロテオミクスデータを用いて本手法を検証した。
- 参考スコア（独自算出の注目度）: 13.110156202816112
- License:
- Abstract: Circadian rhythms regulate the physiology and behavior of humans and animals. Despite advancements in understanding these rhythms and predicting circadian phases at the transcriptional level, predicting circadian phases from proteomic data remains elusive. This challenge is largely due to the scarcity of time labels in proteomic datasets, which are often characterized by small sample sizes, high dimensionality, and significant noise. Furthermore, existing methods for predicting circadian phases from transcriptomic data typically rely on prior knowledge of known rhythmic genes, making them unsuitable for proteomic datasets. To address this gap, we developed a novel computational method using unsupervised deep learning techniques to predict circadian sample phases from proteomic data without requiring time labels or prior knowledge of proteins or genes. Our model involves a two-stage training process optimized for robust circadian phase prediction: an initial greedy one-layer-at-a-time pre-training which generates informative initial parameters followed by fine-tuning. During fine-tuning, a specialized loss function guides the model to align protein expression levels with circadian patterns, enabling it to accurately capture the underlying rhythmic structure within the data. We tested our method on both time-labeled and unlabeled proteomic data. For labeled data, we compared our predictions to the known time labels, achieving high accuracy, while for unlabeled human datasets, including postmortem brain regions and urine samples, we explored circadian disruptions. Notably, our analysis identified disruptions in rhythmic proteins between Alzheimer's disease and control subjects across these samples.
- Abstract（参考訳）: 概日リズムは人間と動物の生理と行動を制御する。
これらのリズムの理解と転写レベルでの概日相の予測の進歩にもかかわらず、プロテオミクスデータからの概日相の予測はいまだ解明されていない。
この課題は、プロテオミクスデータセットにおける時間ラベルの不足によるものであり、しばしば小さなサンプルサイズ、高次元、大きなノイズによって特徴づけられる。
さらに、トランスクリプトームデータから概日相を予測する既存の手法は、一般的に既知のリズミカルな遺伝子の事前知識に依存しており、プロテオーム的なデータセットには適さない。
このギャップに対処するために,時間ラベルやタンパク質や遺伝子の事前知識を必要とせず,プロテオミクスデータから概日サンプル位相を予測するための教師なし深層学習手法を用いた新しい計算手法を開発した。
本モデルでは,2段階の学習過程を,強靭な概日周期予測に最適化する。
微調整の間、特殊な損失関数は、タンパク質の発現レベルを概日パターンと整合させることで、データ内の根底にあるリズム構造を正確に捉えることができる。
時間ラベル付きおよび未ラベルのプロテオミクスデータを用いて本手法を検証した。
ラベル付きデータでは、我々の予測を既知の時間ラベルと比較し、高い精度を達成する一方、死後脳領域や尿サンプルを含むラベルなしの人間のデータセットでは、概日リズムの破壊について検討した。
特に,アルツハイマー病のリズミカルタンパクと,これらの試料のコントロール対象との相違について検討した。
関連論文リスト
- NovoBench: Benchmarking Deep Learning-based De Novo Peptide Sequencing Methods in Proteomics [58.03989832372747]
Emphde novoペプチドシークエンシングのための初となるNovoBenchベンチマークを報告する。
多様な質量スペクトルデータ、統合モデル、総合的な評価指標から構成される。
DeepNovo、PointNovo、Casanovo、InstaNovo、AdaNovo、$pi$-HelixNovoといった最近の手法が私たちのフレームワークに統合されています。
論文 参考訳（メタデータ） (2024-06-16T08:23:21Z) - Unbiased organism-agnostic and highly sensitive signal peptide predictor
with deep protein language model [12.37352652557512]
シグナルペプチド(Signal peptide、SP)は、タンパク質のN末端に位置する短いペプチドである。
本稿では,信号ペプチド分類と切断部位予測深層学習法であるunbiased Organism-Agnostic Signal peptide Network (USPNet)を提案する。
本稿では,データ不均衡問題に対処するためにラベル分布を考慮したマージン損失を適用し,タンパク質の進化情報を用いて表現を豊かにする手法を提案する。
論文 参考訳（メタデータ） (2023-12-14T14:32:48Z) - Binary Quantification and Dataset Shift: An Experimental Investigation [54.14283123210872]
量子化は教師付き学習タスクであり、未学習データの集合のクラス有病率の予測器を訓練する。
定量化と他のタイプのデータセットシフトの関係は、いまだ大きく、未調査のままである。
本稿では,これらのシフトに影響を受けるデータセットの生成プロトコルを確立することにより,データセットシフトの種類を詳細に分類する手法を提案する。
論文 参考訳（メタデータ） (2023-10-06T20:11:27Z) - Generative Pre-Training of Time-Series Data for Unsupervised Fault Detection in Semiconductor Manufacturing [20.71342655519934]
本稿では,畳み込み・生成事前学習型変換器を用いた時系列異常検出のためのTRACE-GPTを提案する。
私たちのモデルは、すべてのデータセットでEER(Equal Error Rate)が最も高いF1スコアを持ち、オープンデータセットの監督された最先端ベースラインよりわずか0.026低い。
論文 参考訳（メタデータ） (2023-09-20T16:01:45Z) - Path Signatures for Seizure Forecasting [0.6282171844772422]
患者固有の方法で発作を予測するための予測的特徴(バイオマーカー)の自動発見を検討する。
データストリームの解析における最近の進展であるパスシグネチャを用いて、測定時系列から発作予測までをマップする。
論文 参考訳（メタデータ） (2023-08-18T05:19:18Z) - Disruption Precursor Onset Time Study Based on Semi-supervised Anomaly
Detection [6.287037295927318]
本稿では,不均衡な正と負のデータサンプルの欠点を克服する異常検出に基づく破壊予測手法を提案する。
異常検出予測器によって推定される開始時間を用いて前駆的なラベリングを最適化し、教師付き学習破壊予測器上で最適化されたラベルをテストする。
論文 参考訳（メタデータ） (2023-03-27T07:54:56Z) - DriPP: Driven Point Processes to Model Stimuli Induced Patterns in M/EEG
Signals [62.997667081978825]
我々はDriPPと呼ばれる新しい統計点過程モデルを開発する。
我々は、このモデルのパラメータを推定するために、高速で原理化された予測最大化(EM)アルゴリズムを導出する。
標準MEGデータセットの結果から,我々の手法が事象関連ニューラルレスポンスを明らかにすることが示された。
論文 参考訳（メタデータ） (2021-12-08T13:07:21Z) - Imputation-Free Learning from Incomplete Observations [73.15386629370111]
本稿では,不備な値を含む入力からの推論をインプットなしでトレーニングするIGSGD法の重要性について紹介する。
バックプロパゲーションによるモデルのトレーニングに使用する勾配の調整には強化学習(RL)を用いる。
我々の計算自由予測は、最先端の計算手法を用いて従来の2段階の計算自由予測よりも優れている。
論文 参考訳（メタデータ） (2021-07-05T12:44:39Z) - Convolutional Neural Networks for Sleep Stage Scoring on a Two-Channel
EEG Signal [63.18666008322476]
睡眠障害は、世界中の主要な病気の1つです。
専門家が使用する基本的なツールはPolysomnogramで、睡眠中に記録された様々な信号の集合である。
専門家は、標準的なガイドラインの1つに従って異なる信号を採点する必要があります。
論文 参考訳（メタデータ） (2021-03-30T09:59:56Z) - Bayesian neural network with pretrained protein embedding enhances
prediction accuracy of drug-protein interaction [3.499870393443268]
ディープラーニングのアプローチは、人間による試行錯誤なしに薬物とタンパク質の相互作用を予測できる。
本稿では,小さなラベル付きデータセットで優れた性能を示すディープラーニングフレームワークを構築するための2つの手法を提案する。
論文 参考訳（メタデータ） (2020-12-15T10:24:34Z) - Detecting Parkinsonian Tremor from IMU Data Collected In-The-Wild using
Deep Multiple-Instance Learning [59.74684475991192]
パーキンソン病(英: Parkinson's Disease、PD)は、60歳以上の人口の約1%に影響を与える徐々に進化する神経学的疾患である。
PD症状には、震動、剛性、ブレイキネジアがある。
本稿では,スマートフォン端末から受信したIMU信号に基づいて,PDに関連するトレモラスなエピソードを自動的に識別する手法を提案する。
論文 参考訳（メタデータ） (2020-05-06T09:02:30Z)
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。