論文の概要: DeepGDel: Deep Learning-based Gene Deletion Prediction Framework for Growth-Coupled Production in Genome-Scale Metabolic Models

• arxiv url: http://arxiv.org/abs/2504.06316v1
• Date: Tue, 08 Apr 2025 08:07:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-10 16:14:46.362892
• Title: DeepGDel: Deep Learning-based Gene Deletion Prediction Framework for Growth-Coupled Production in Genome-Scale Metabolic Models
• Title（参考訳）: DeepGDel:ゲノム規模の代謝モデルにおける成長結合生産のためのディープラーニングに基づく遺伝子削除予測フレームワーク
• Authors: Ziwei Yang, Takeyuki Tamura,
• Abstract要約: 本稿では,ゲノム規模メタボリックモデルを用いた遺伝子欠失予測手法を提案する。 提案フレームワークは、ディープラーニングアルゴリズムを利用して、シーケンシャルな遺伝子を学習、統合し、データ表現を代謝する。 実験により,提案手法の有効性を実証し,ベースライン法よりも大幅に改善した。
• 参考スコア（独自算出の注目度）: 0.46551592572821365
• License:
• Abstract: In genome-scale constraint-based metabolic models, gene deletion strategies are crucial for achieving growth-coupled production, where cell growth and target metabolite production are simultaneously achieved. While computational methods for calculating gene deletions have been widely explored and contribute to developing gene deletion strategy databases, current approaches are limited in leveraging new data-driven paradigms, such as machine learning, for more efficient strain design. Therefore, it is necessary to propose a fundamental framework for this objective. In this study, we first formulate the problem of gene deletion strategy prediction and then propose a framework for predicting gene deletion strategies for growth-coupled production in genome-scale metabolic models. The proposed framework leverages deep learning algorithms to learn and integrate sequential gene and metabolite data representation, enabling the automatic gene deletion strategy prediction. Computational experiment results demonstrate the feasibility of the proposed framework, showing substantial improvements over the baseline method. Specifically, the proposed framework achieves a 17.64%, 27.15%, and 18.07% increase in overall accuracy across three metabolic models of different scales under study, while maintaining balanced precision and recall in predicting gene deletion statuses. The source code and examples for the framework are publicly available at https://github.com/MetNetComp/DeepGDel.
• Abstract（参考訳）: ゲノムスケールの制約に基づく代謝モデルでは、遺伝子欠失戦略は、細胞増殖と標的代謝産物の生産を同時に達成する成長結合生産を達成するために不可欠である。 遺伝子欠失の計算手法は広く研究され,遺伝子欠失戦略データベースの開発に寄与している。 したがって、この目的のための基本的な枠組みを提案する必要がある。 本研究では、まず遺伝子欠失戦略予測の問題を定式化し、その後、ゲノムスケールのメタボリックモデルを用いて、遺伝子欠失戦略を予測するためのフレームワークを提案する。 提案フレームワークは、ディープラーニングアルゴリズムを利用して、シーケンシャルな遺伝子とメタボライトのデータ表現を学習し、統合し、自動的な遺伝子削除戦略予測を可能にする。 計算実験の結果,提案手法の有効性が示され,ベースライン法よりも大幅に改善された。 具体的には、17.64%、27.15%、および18.07%の精度が、研究対象の異なる3つの代謝モデルで達成され、同時に、遺伝子欠失状態の予測において、バランスの取れた精度とリコールを維持している。 フレームワークのソースコードと例はhttps://github.com/MetNetComp/DeepGDelで公開されている。

関連論文リスト

• GENERator: A Long-Context Generative Genomic Foundation Model [66.46537421135996]
  本稿では,98k塩基対 (bp) と1.2Bパラメータからなるゲノム基盤モデル GENERator を提案する。 DNAの386Bbpからなる拡張データセットに基づいて、GENERatorは、確立されたベンチマークと新しく提案されたベンチマークの両方で最先端のパフォーマンスを実証する。 また、特に特定のアクティビティプロファイルを持つエンハンサーシーケンスを即応的に生成することで、シーケンス最適化において大きな可能性を秘めている。
  論文  参考訳（メタデータ） (2025-02-11T05:39:49Z)
• Stochastic gradient descent estimation of generalized matrix factorization models with application to single-cell RNA sequencing data [41.94295877935867]
  単細胞RNAシークエンシングは、個々の細胞レベルでの遺伝子発現の定量化を可能にする。 次元の減少は、サンプルの可視化、クラスタリング、表現型特徴付けを単純化する一般的な前処理ステップである。 一般指数分散族分布を仮定した一般化行列分解モデルを提案する。 本稿では,モデルを効率的に推定できるスケーラブル適応降下アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-12-29T16:02:15Z)
• Evaluating Deep Regression Models for WSI-Based Gene-Expression Prediction [3.2995359570845912]
  通常の全スライディング画像から直接mRNA遺伝子の発現プロファイルを予測することは、コスト効率が高く、広くアクセス可能な分子表現型を提供する可能性がある。 本研究は、WSIに基づく遺伝子発現予測のために、どのように深部回帰モデルをトレーニングすべきかを推奨する。
  論文  参考訳（メタデータ） (2024-10-01T16:00:22Z)
• Multi-Modal and Multi-Attribute Generation of Single Cells with CFGen [76.02070962797794]
  本研究では、単一セルデータ固有の離散性を保存するフローベースの条件生成モデルであるCellFlow for Generation (CFGen)を紹介する。 CFGenは、全ゲノムマルチモーダル単一セルデータを確実に生成し、重要な生物学的データ特性の回復を改善する。
  論文  参考訳（メタデータ） (2024-07-16T14:05:03Z)
• VQDNA: Unleashing the Power of Vector Quantization for Multi-Species Genomic Sequence Modeling [60.91599380893732]
  VQDNAは、ゲノムボキャブラリ学習の観点からゲノムのトークン化を改良する汎用フレームワークである。 ベクトル量子化されたコードブックを学習可能な語彙として活用することにより、VQDNAはゲノムをパターン認識の埋め込みに適応的にトークン化することができる。
  論文  参考訳（メタデータ） (2024-05-13T20:15:03Z)
• 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)
• 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)
• Genetic Imitation Learning by Reward Extrapolation [6.340280403330784]
  我々は,遺伝的アルゴリズムと模倣学習を統合したGenILという手法を提案する。 遺伝的アルゴリズムの関与は、様々なリターンで軌道を再現することで、データ効率を向上させる。 我々はAtariドメインとMujocoドメインの両方でGenILをテストし、その結果、以前の手法よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2023-01-03T14:12:28Z)
• Modelling Technical and Biological Effects in scRNA-seq data with Scalable GPLVMs [6.708052194104378]
  我々は,ガウス過程潜在変数モデルである確率的非線形次元減少に対する一般的なアプローチを拡張し,大規模単一セルデータセットに拡張する。 鍵となる考え方は、高速な変動推論を可能にする下位境界の分解可能性を保存する拡張カーネルを使用することである。
  論文  参考訳（メタデータ） (2022-09-14T15:25:15Z)
• On the Generalization and Adaption Performance of Causal Models [99.64022680811281]
  異なる因果発見は、データ生成プロセスを一連のモジュールに分解するために提案されている。 このようなモジュラニューラル因果モデルの一般化と適応性能について検討する。 我々の分析では、モジュラーニューラル因果モデルが、低データレギュレーションにおけるゼロおよび少数ショットの適応において、他のモデルよりも優れていることを示している。
  論文  参考訳（メタデータ） (2022-06-09T17:12:32Z)

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。