論文の概要: Evolutionary Optimization for the Classification of Small Molecules Regulating the Circadian Rhythm Period: A Reliable Assessment

• arxiv url: http://arxiv.org/abs/2505.05485v1
• Date: Sun, 27 Apr 2025 15:08:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-18 22:55:23.148836
• Title: Evolutionary Optimization for the Classification of Small Molecules Regulating the Circadian Rhythm Period: A Reliable Assessment
• Title（参考訳）: 概日リズムを調節する小分子の分類のための進化的最適化:信頼性評価
• Authors: Antonio Arauzo-Azofra, Jose Molina-Baena, Maria Luque-Rodriguez,
• Abstract要約: 概日リズムは生物学的プロセスの調節において重要な役割を担い、その破壊は様々な健康問題と関連している。 概日周期に影響を与える小さな分子の同定は標的療法の開発に不可欠である。 本研究は、これらの分子の分類を強化するための進化的最適化手法の利用について検討する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The circadian rhythm plays a crucial role in regulating biological processes, and its disruption is linked to various health issues. Identifying small molecules that influence the circadian period is essential for developing targeted therapies. This study explores the use of evolutionary optimization techniques to enhance the classification of these molecules. We applied an evolutionary algorithm to optimize feature selection and classification performance. Several machine learning classifiers were employed, and performance was evaluated using accuracy and generalization ability. The findings demonstrate that the proposed evolutionary optimization method improves classification accuracy and reduces overfitting compared to baseline models. Additionally, the use of variance in accuracy as a penalty factor may enhance the model's reliability for real-world applications. Our study confirms that evolutionary optimization is an effective strategy for classifying small molecules regulating the circadian rhythm. The proposed approach not only improves predictive performance but also ensures a more robust model.
• Abstract（参考訳）: 概日リズムは生物学的プロセスの調節において重要な役割を担い、その破壊は様々な健康問題と関連している。 概日周期に影響を与える小さな分子の同定は標的療法の開発に不可欠である。 本研究は、これらの分子の分類を強化するための進化的最適化手法の利用について検討する。 特徴選択と分類性能を最適化するために進化的アルゴリズムを適用した。 いくつかの機械学習分類器を使用し、精度と一般化能力を用いて性能を評価した。 その結果,提案手法は分類精度を向上し,ベースラインモデルと比較して過度に適合することを示す。 さらに、ペナルティ係数としての精度のばらつきは、実世界のアプリケーションに対するモデルの信頼性を高める可能性がある。 本研究は、進化最適化が、概日リズムを調節する小分子の分類に有効な戦略であることを確認した。 提案されたアプローチは、予測性能を改善するだけでなく、より堅牢なモデルも保証する。

関連論文リスト

• De Novo Molecular Design Enabled by Direct Preference Optimization and Curriculum Learning [0.0]
  デノボ分子設計は、薬物発見と材料科学に広く応用されている。 巨大な化学空間は直接分子探索を計算的に禁止し、従来の実験スクリーニングは時間と労働の両方に集約している。 NLPの直接選好最適化(DPO)は、分子スコアに基づくサンプルペアを使用して、高品質分子と低品質分子の確率差を最大化する。
  論文  参考訳（メタデータ） (2025-04-02T06:00:21Z)
• Diversity-Aware Reinforcement Learning for de novo Drug Design [2.356290293311623]
  事前訓練された生成モデルの微調整は、有望な薬物分子の生成に優れた性能を示した。 報酬関数の適応的更新機構が生成分子の多様性にどのように影響するかは研究されていない。 我々の実験は、構造と予測に基づく手法を組み合わせることで、一般的に分子多様性の点でより良い結果が得られることを示した。
  論文  参考訳（メタデータ） (2024-10-14T12:25:23Z)
• Aligning Target-Aware Molecule Diffusion Models with Exact Energy Optimization [147.7899503829411]
  AliDiffは、事前訓練されたターゲット拡散モデルと望ましい機能特性を整合させる新しいフレームワークである。 最先端の結合エネルギーを持つ分子を最大7.07 Avg. Vina Scoreで生成することができる。
  論文  参考訳（メタデータ） (2024-07-01T06:10:29Z)
• Embedded feature selection in LSTM networks with multi-objective evolutionary ensemble learning for time series forecasting [49.1574468325115]
  本稿では,Long Short-Term Memory Networkに埋め込まれた特徴選択手法を提案する。 本手法はLSTMの重みと偏りを分割的に最適化する。 イタリアとスペイン南東部の大気質時系列データの実験的評価により,従来のLSTMの能力一般化が著しく向上することが確認された。
  論文  参考訳（メタデータ） (2023-12-29T08:42:10Z)
• Dataset Optimization for Chronic Disease Prediction with Bio-Inspired Feature Selection [0.32634122554913997]
  本研究は慢性疾患領域における予測分析の進歩に寄与する。 この研究の潜在的影響は、早期介入、精密医療、そして患者の成果の改善にまで及んでいる。
  論文  参考訳（メタデータ） (2023-12-17T18:18:34Z)
• Molecular Attributes Transfer from Non-Parallel Data [57.010952598634944]
  分子最適化をスタイル伝達問題として定式化し、非並列データの2つのグループ間の内部差を自動的に学習できる新しい生成モデルを提案する。 毒性修飾と合成性向上という2つの分子最適化タスクの実験により,本モデルがいくつかの最先端手法を著しく上回ることを示した。
  論文  参考訳（メタデータ） (2021-11-30T06:10:22Z)
• Improving RNA Secondary Structure Design using Deep Reinforcement Learning [69.63971634605797]
  本稿では,RNA配列設計に強化学習を適用した新しいベンチマークを提案する。このベンチマークでは,目的関数を配列の二次構造における自由エネルギーとして定義する。 本稿では,これらのアルゴリズムに対して行うアブレーション解析の結果と,バッチ間でのアルゴリズムの性能を示すグラフを示す。
  論文  参考訳（メタデータ） (2021-11-05T02:54:06Z)
• Behavior-based Neuroevolutionary Training in Reinforcement Learning [3.686320043830301]
  本稿では,神経進化的最適化と価値に基づく強化学習を組み合わせたハイブリッドアルゴリズムを提案する。 この目的のために,エージェントポリシーの生成と最適化のための異なる手法を統合し,多様な集団を創出する。 その結果, 進化的手法のサンプル効率と学習速度を向上できることがわかった。
  論文  参考訳（メタデータ） (2021-05-17T15:40:42Z)
• IEO: Intelligent Evolutionary Optimisation for Hyperparameter Tuning [9.082096472600751]
  本稿では,従来の進化アルゴリズムに機械学習技術を適用した知的進化最適化アルゴリズムを提案する。 我々の手法は、最適化速度を平均で30.40%、最高のシナリオで77.06%まで加速させる。
  論文  参考訳（メタデータ） (2020-09-10T18:47:04Z)
• Deep Learning for Virtual Screening: Five Reasons to Use ROC Cost Functions [80.12620331438052]
  深層学習は サイリコの何十億もの分子を 迅速にスクリーニングする 重要なツールとなりました その重要性にもかかわらず、厳密なクラス不均衡、高い決定しきい値、いくつかのデータセットにおける基底真理ラベルの欠如など、これらのモデルのトレーニングにおいて重大な課題が続いている。 このような場合、クラス不均衡に対するロバスト性から、レシーバ動作特性(ROC)を直接最適化することを好んで論じる。
  論文  参考訳（メタデータ） (2020-06-25T08:46:37Z)

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。