論文の概要: Evolutionary chemical learning in dimerization networks
- arxiv url: http://arxiv.org/abs/2506.14006v1
- Date: Mon, 16 Jun 2025 21:10:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-18 17:34:59.248604
- Title: Evolutionary chemical learning in dimerization networks
- Title(参考訳): 二量化ネットワークにおける進化的化学学習
- Authors: Alexei V. Tkachenko, Bortolo Matteo Mognetti, Sergei Maslov,
- Abstract要約: 本稿では,CDN(Competitive Dimerization Networks)に基づく化学学習のための新しいフレームワークを提案する。
これらのネットワークは、誘導進化によってin vitroでトレーニング可能であることを示す。
突然変異、選択、増幅を含む訓練プロトコルにより、CDNはノイズの多い入力パターン間で堅牢に識別することができる。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present a novel framework for chemical learning based on Competitive Dimerization Networks (CDNs) - systems in which multiple molecular species, e.g. proteins or DNA/RNA oligomers, reversibly bind to form dimers. We show that these networks can be trained in vitro through directed evolution, enabling the implementation of complex learning tasks such as multiclass classification without digital hardware or explicit parameter tuning. Each molecular species functions analogously to a neuron, with binding affinities acting as tunable synaptic weights. A training protocol involving mutation, selection, and amplification of DNA-based components allows CDNs to robustly discriminate among noisy input patterns. The resulting classifiers exhibit strong output contrast and high mutual information between input and output, especially when guided by a contrast-enhancing loss function. Comparative analysis with in silico gradient descent training reveals closely correlated performance. These results establish CDNs as a promising platform for analog physical computation, bridging synthetic biology and machine learning, and advancing the development of adaptive, energy-efficient molecular computing systems.
- Abstract(参考訳): 本稿では, 競合二量体ネットワーク(CDN)に基づく化学学習のための新しい枠組みを提案する。
これらのネットワークは,デジタルハードウェアのないマルチクラス分類や明示的なパラメータチューニングといった複雑な学習タスクの実装が可能な,指向的な進化を通じて,in vitroでトレーニング可能であることを示す。
各分子種はニューロンと類似して機能し、結合親和性は調節可能なシナプス重みとして作用する。
突然変異、選択、増幅を含む訓練プロトコルにより、CDNはノイズの多い入力パターン間で堅牢に識別することができる。
結果の分類器は、特にコントラスト強調損失関数で導かれる場合、強い出力コントラストと、入力と出力の間の高い相互情報を示す。
シリカ勾配降下訓練との比較解析により, 密接な相関性能が示された。
これらの結果は、アナログ物理計算、人工生物学と機械学習のブリッジング、適応的でエネルギー効率のよい分子計算システムの開発を促進するための有望なプラットフォームとしてCDNを確立している。
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) - Contrastive Learning in Memristor-based Neuromorphic Systems [55.11642177631929]
スパイクニューラルネットワークは、現代のバックプロパゲーションによって訓練されたディープネットワークに直面する重要な制約の多くを横取りする、ニューロンベースのモデルの重要なファミリーとなっている。
本研究では,前向き・後向き学習のニューロモルフィック形式であるコントラッシブ・シグナル依存型塑性(CSDP)の概念実証を設計し,検討する。
論文 参考訳(メタデータ) (2024-09-17T04:48:45Z) - Neural CRNs: A Natural Implementation of Learning in Chemical Reaction Networks [0.0]
本稿では, マスアクション化学反応系における学習の効率的, 自律的, 汎用的な実装であるNeural CRNを提案する。
CRNは純粋にアナログな化学系であり、その化学種の濃度力学において神経計算を符号化する。
論文 参考訳(メタデータ) (2024-08-18T01:43:26Z) - Protein binding affinity prediction under multiple substitutions applying eGNNs on Residue and Atomic graphs combined with Language model information: eGRAL [1.840390797252648]
ディープラーニングは、シリコン内予測と生体内観測のギャップを埋めることのできる強力なツールとして、ますます認識されている。
タンパク質複合体中のアミノ酸置換物からの結合親和性変化を予測するための新しいグラフニューラルネットワークアーキテクチャであるeGRALを提案する。
eGralは、タンパク質の大規模言語モデルから抽出された特徴のおかげで、残基、原子スケール、進化スケールを利用する。
論文 参考訳(メタデータ) (2024-05-03T10:33:19Z) - Towards Predicting Equilibrium Distributions for Molecular Systems with
Deep Learning [60.02391969049972]
本稿では,分子系の平衡分布を予測するために,分散グラフマー(DiG)と呼ばれる新しいディープラーニングフレームワークを導入する。
DiGはディープニューラルネットワークを用いて分子系の記述子に条件付き平衡分布に単純な分布を変換する。
論文 参考訳(メタデータ) (2023-06-08T17:12:08Z) - Contrastive-Signal-Dependent Plasticity: Self-Supervised Learning in Spiking Neural Circuits [61.94533459151743]
この研究は、スパイキングネットワークのシナプスを調整するための神経生物学的に動機づけられたスキームを設計することの課題に対処する。
我々の実験シミュレーションは、繰り返しスパイクネットワークを訓練する際、他の生物学的に証明可能なアプローチに対して一貫した優位性を示す。
論文 参考訳(メタデータ) (2023-03-30T02:40:28Z) - Transferring Chemical and Energetic Knowledge Between Molecular Systems
with Machine Learning [5.27145343046974]
本稿では,単純な分子システムから得られた知識をより複雑なものに伝達するための新しい手法を提案する。
我々は、高低自由エネルギー状態の分類に焦点をあてる。
以上の結果より, トリアラニンからデカアラニン系への移行学習において, 0.92 の顕著な AUC が得られた。
論文 参考訳(メタデータ) (2022-05-06T16:21:00Z) - Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。
データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
論文 参考訳(メタデータ) (2022-02-01T17:11:13Z) - Protein Structured Reservoir computing for Spike-based Pattern
Recognition [0.37798600249187286]
単一タンパク質分子上での貯水池計算を実装し, 小世界のネットワーク特性とニューロモルフィック接続を導入する。
分子構造型貯留層計算システムが機械学習ベンチマークに対処できるかどうかを調査するために, 教師付き方式で, 単層読み出し層に様々なトレーニング手法を適用した。
RCネットワークは、MNISTデータセットから手書きの桁画像に対する概念実証として評価され、他の類似したアプローチと比較して許容される分類精度を示す。
論文 参考訳(メタデータ) (2020-08-07T18:30:12Z) - Deep Molecular Programming: A Natural Implementation of Binary-Weight
ReLU Neural Networks [7.700240949386079]
本稿では,シリコで訓練されたBinaryConnectニューラルネットワークを等価な化学反応ネットワークにコンパイルする方法を示す。
私たちの研究は、ニューラルネットワークと分子プログラミングコミュニティ間の豊富な知識伝達のステージを設定します。
論文 参考訳(メタデータ) (2020-03-30T18:12:11Z)
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。