論文の概要: Deep Generative Models of Evolution: SNP-level Population Adaptation by Genomic Linkage Incorporation
- arxiv url: http://arxiv.org/abs/2507.20644v1
- Date: Mon, 28 Jul 2025 09:03:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-29 16:23:58.062604
- Title: Deep Generative Models of Evolution: SNP-level Population Adaptation by Genomic Linkage Incorporation
- Title（参考訳）: 進化の深部生成モデル:ゲノムリンケージ導入によるSNPレベル人口適応
- Authors: Julia Siekiera, Christian Schlötterer, Stefan Kramer,
- Abstract要約: 本研究では、時間とともに経験的観察に基づいて進化の概念をモデル化することを目的とした、深層生成ニューラルネットワークを提案する。
提案モデルでは、単一ヌクレオチド多型からの観測を埋め込み、アレル周波数軌跡の分布を推定する。
シミュレーションE&R実験の評価は、モデルがアレル周波数軌道の分布を捉える能力を示している。
- 参考スコア（独自算出の注目度）: 2.6524539020042663
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The investigation of allele frequency trajectories in populations evolving under controlled environmental pressures has become a popular approach to study evolutionary processes on the molecular level. Statistical models based on well-defined evolutionary concepts can be used to validate different hypotheses about empirical observations. Despite their popularity, classic statistical models like the Wright-Fisher model suffer from simplified assumptions such as the independence of selected loci along a chromosome and uncertainty about the parameters. Deep generative neural networks offer a powerful alternative known for the integration of multivariate dependencies and noise reduction. Due to their high data demands and challenging interpretability they have, so far, not been widely considered in the area of population genomics. To address the challenges in the area of Evolve and Resequencing experiments (E&R) based on pooled sequencing (Pool-Seq) data, we introduce a deep generative neural network that aims to model a concept of evolution based on empirical observations over time. The proposed model estimates the distribution of allele frequency trajectories by embedding the observations from single nucleotide polymorphisms (SNPs) with information from neighboring loci. Evaluation on simulated E&R experiments demonstrates the model's ability to capture the distribution of allele frequency trajectories and illustrates the representational power of deep generative models on the example of linkage disequilibrium (LD) estimation. Inspecting the internally learned representations enables estimating pairwise LD, which is typically inaccessible in Pool-Seq data. Our model provides competitive LD estimation in Pool-Seq data high degree of LD when compared to existing methods.
- Abstract（参考訳）: 制御された環境圧力下で進化する個体群におけるアレル頻度軌道の研究は、分子レベルでの進化過程を研究するための一般的なアプローチとなっている。
良く定義された進化概念に基づく統計モデルは、経験的観察に関する異なる仮説の検証に利用できる。
その人気にもかかわらず、ライト・フィッシャーモデルのような古典的な統計モデルは、染色体に沿って選択された座の独立性やパラメータの不確実性といった単純な仮定に悩まされている。
深層生成ニューラルネットワークは、多変量依存とノイズ低減の統合で知られる強力な代替手段を提供する。
高いデータ要求と解釈可能性の難しさのため、これまでのところ、人口ゲノム学の分野では広く考慮されていない。
プール・シークエンシング(Pool-Seq)データに基づくEvolve and Resequencing experiment(E&R)の領域における課題に対処するために,経験的観察に基づく進化の概念を時間とともにモデル化することを目的とした,深層生成ニューラルネットワークを導入する。
提案モデルでは, 単一ヌクレオチド多型 (SNPs) からの観測を近傍のローチからの情報に埋め込むことにより, アレル周波数軌跡の分布を推定する。
シミュレーションされたE&R実験の評価は、モデルがアレル周波数軌跡の分布を捉える能力を示し、リンク不均衡(LD)推定例に基づく深部生成モデルの表現力を示す。
内部的に学習した表現を検査することで、Pool-Seqデータには通常アクセスできないペアワイズLDを推定できる。
我々のモデルは,既存の手法と比較して,プール・セックデータの高次LDにおける競合LD推定を提供する。
関連論文リスト
- Multi-population GAN Training: Analyzing Co-Evolutionary Algorithms [0.3683202928838613]
GAN(Generative Adversarial Network)は強力な生成モデルであるが,モード崩壊や不安定性などの病態のため,トレーニングが困難である。
近年の研究では、ジェネレータと識別器の個体群が進化する進化的アプローチが研究されている。
本稿では,異なる共進化的GANトレーニング戦略の実証分析を行い,選択と代替メカニズムの影響に着目した。
論文 参考訳（メタデータ） (2025-07-17T14:19:17Z) - Spiking Neural Models for Decision-Making Tasks with Learning [0.29998889086656577]
本稿では,学習機構を組み込んだ意思決定のための生物学的に妥当なスパイキングニューラルネットワーク(SNN)モデルを提案する。
この研究は、生物学的に関連する神経機構を認知モデルに統合するための重要なステップを提供する。
論文 参考訳（メタデータ） (2025-06-10T09:19:40Z) - Brain-like variational inference [0.0]
脳と機械の両方での推論は、機械学習におけるエビデンスローバウンド(ELBO)の最大化や、神経科学における変動自由エネルギー(F)の最小化によって定式化することができる(ELBO = -F)。
ここでは、ポアソン仮定の下で、F上のオンラインの自然勾配降下が、膜電位ダイナミクスを介して変動推論を行う繰り返しスパイクニューラルネットワークをもたらすことを示す。
得られたモデル、つまり反復的なポアソン変分オートエンコーダ(iP-VAE)は、エンコーダネットワークをF上の自然な勾配勾配から派生した局所的な更新に置き換える。
論文 参考訳（メタデータ） (2024-10-25T06:00:18Z) - Meta Flow Matching: Integrating Vector Fields on the Wasserstein Manifold [83.18058549195855]
自然科学における複数の過程は、確率密度のワッサーシュタイン多様体上のベクトル場として表さなければならない。
特に、疾患の発生とその治療反応が患者固有の細胞の微小環境に依存するパーソナライズド医療において重要である。
本稿では,初期個体群上の流れモデルを改善することで,ワッサーシュタイン多様体上のこれらのベクトル場と一体化するためのメタフローマッチング(MFM)を提案する。
論文 参考訳（メタデータ） (2024-08-26T20:05:31Z) - Latent Variable Sequence Identification for Cognitive Models with Neural Network Estimators [7.7227297059345466]
本稿では,ニューラルベイズ推定を拡張して,実験データと対象変数空間との直接マッピングを学習する手法を提案する。
我々の研究は、リカレントニューラルネットワークとシミュレーションベースの推論を組み合わせることで、潜在変数配列を特定することで、研究者がより広範な認知モデルにアクセスできるようになることを強調している。
論文 参考訳（メタデータ） (2024-06-20T21:13:39Z) - Diffusion posterior sampling for simulation-based inference in tall data settings [53.17563688225137]
シミュレーションベース推論(SBI)は、入力パラメータを所定の観測に関連付ける後部分布を近似することができる。
本研究では、モデルのパラメータをより正確に推測するために、複数の観測値が利用できる、背の高いデータ拡張について考察する。
提案手法を,最近提案した各種数値実験の競合手法と比較し,数値安定性と計算コストの観点から,その優位性を実証した。
論文 参考訳（メタデータ） (2024-04-11T09:23:36Z) - Synthetic location trajectory generation using categorical diffusion
models [50.809683239937584]
拡散モデル(DPM)は急速に進化し、合成データのシミュレーションにおける主要な生成モデルの一つとなっている。
本稿では,個人が訪れた物理的位置を表す変数列である合成個別位置軌跡(ILT)の生成にDPMを用いることを提案する。
論文 参考訳（メタデータ） (2024-02-19T15:57:39Z) - Towards Theoretical Understandings of Self-Consuming Generative Models [56.84592466204185]
本稿では,自己消費ループ内で生成モデルを訓練する新たな課題に取り組む。
我々は,このトレーニングが将来のモデルで学習したデータ分布に与える影響を厳格に評価するための理論的枠組みを構築した。
カーネル密度推定の結果は,混合データトレーニングがエラー伝播に与える影響など,微妙な洞察を与える。
論文 参考訳（メタデータ） (2024-02-19T02:08:09Z) - Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。
特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。
本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
論文 参考訳（メタデータ） (2021-02-12T12:23:13Z) - The Neural Coding Framework for Learning Generative Models [91.0357317238509]
本稿では,脳の予測処理理論に触発された新しい神経生成モデルを提案する。
同様に、私たちの生成モデルにおける人工ニューロンは、隣接するニューロンが何をするかを予測し、予測が現実にどの程度一致するかに基づいてパラメータを調整します。
論文 参考訳（メタデータ） (2020-12-07T01:20:38Z)
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。