論文の概要: Friend or Foe

• arxiv url: http://arxiv.org/abs/2509.00123v1
• Date: Fri, 29 Aug 2025 06:37:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 15:17:03.0949
• Title: Friend or Foe
• Title（参考訳）: 友か友か
• Authors: Oleksandr Cherendichenko, Josephine Solowiej-Wedderburn, Laura M. Carroll, Eric Libby,
• Abstract要約: 環境データセット64のコンペディションであるFriend or Foeを提示する。 FriendまたはFoeデータセットは、幅広い機械学習タスクのためにキュレートされる。 さらに、FriendまたはFoeコンペンジウムの分析は、細菌の相互作用の予測可能性に光を当てることができる。
• 参考スコア（独自算出の注目度）: 12.900130585480523
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A fundamental challenge in microbial ecology is determining whether bacteria compete or cooperate in different environmental conditions. With recent advances in genome-scale metabolic models, we are now capable of simulating interactions between thousands of pairs of bacteria in thousands of different environmental settings at a scale infeasible experimentally. These approaches can generate tremendous amounts of data that can be exploited by state-of-the-art machine learning algorithms to uncover the mechanisms driving interactions. Here, we present Friend or Foe, a compendium of 64 tabular environmental datasets, consisting of more than 26M shared environments for more than 10K pairs of bacteria sampled from two of the largest collections of metabolic models. The Friend or Foe datasets are curated for a wide range of machine learning tasks -- supervised, unsupervised, and generative -- to address specific questions underlying bacterial interactions. We benchmarked a selection of the most recent models for each of these tasks and our results indicate that machine learning can be successful in this application to microbial ecology. Going beyond, analyses of the Friend or Foe compendium can shed light on the predictability of bacterial interactions and highlight novel research directions into how bacteria infer and navigate their relationships.
• Abstract（参考訳）: 微生物生態学における基本的な課題は、細菌が異なる環境条件で競合するか協力するかを決定することである。 近年のゲノムスケールメタボリックモデルの発展により、数千の異なる環境環境における何千ものバクテリア間の相互作用を、実験的に実現不可能な規模でシミュレートすることが可能になった。 これらのアプローチは、最先端の機械学習アルゴリズムによって活用される膨大な量のデータを生成して、インタラクションを駆動するメカニズムを明らかにする。 ここでは,最大2つの代謝モデルから採取した10万組の細菌に対して,26万組以上の共有環境からなる64個の表層環境データセットのコンペディションであるFriend or Foeを紹介する。 FriendまたはFoeデータセットは、細菌の相互作用の根底にある特定の問題に対処するために、幅広い機械学習タスク -- 教師なし、教師なし、および生成 -- のためにキュレートされる。 我々はこれらのタスクごとに最新のモデルの選択をベンチマークし、その結果、この微生物生態学への応用において機械学習が成功できることが示唆された。 さらに、FriendやFoeのコンペンジウムの分析は、細菌の相互作用の予測可能性に光を当て、細菌がどのように関係を推論し、ナビゲートするかという新しい研究の方向性を強調します。

関連論文リスト

• Cognitive Evolutionary Learning to Select Feature Interactions for Recommender Systems [59.117526206317116]
  Cellはさまざまなタスクやデータに対して,さまざまなモデルに適応的に進化可能であることを示す。 4つの実世界のデータセットの実験では、細胞は最先端のベースラインを大幅に上回っている。
  論文  参考訳（メタデータ） (2024-05-29T02:35:23Z)
• Learning to Predict Mutation Effects of Protein-Protein Interactions by Microenvironment-aware Hierarchical Prompt Learning [78.38442423223832]
  我々は、新しいコードブック事前学習タスク、すなわちマスク付きマイクロ環境モデリングを開発する。 突然変異効果予測において、最先端の事前学習法よりも優れた性能と訓練効率を示す。
  論文  参考訳（メタデータ） (2024-05-16T03:53:21Z)
• Whole Genome Transformer for Gene Interaction Effects in Microbiome Habitat Specificity [3.972930262155919]
  本研究では、遺伝子ベクター化のための既存の大規模モデルを利用して、微生物ゲノム配列全体から生息地特異性を予測する枠組みを提案する。 我々は、異なる生息地から得られた高品質のマイクロバイオームゲノムの大規模なデータセット上で、我々のアプローチを訓練し、検証する。
  論文  参考訳（メタデータ） (2024-05-09T09:34:51Z)
• ProBio: A Protocol-guided Multimodal Dataset for Molecular Biology Lab [67.24684071577211]
  研究結果を複製するという課題は、分子生物学の分野に重大な障害をもたらしている。 まず、この目的に向けた最初のステップとして、ProBioという名前の包括的なマルチモーダルデータセットをキュレートする。 次に、透明なソリューショントラッキングとマルチモーダルなアクション認識という2つの挑戦的なベンチマークを考案し、BioLab設定におけるアクティビティ理解に関連する特徴と難しさを強調した。
  論文  参考訳（メタデータ） (2023-11-01T14:44:01Z)
• 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)
• BactInt: A domain driven transfer learning approach and a corpus for extracting inter-bacterial interactions from biomedical text [0.03818040429210839]
  バイオメディカル文献から微生物の相互作用を自動的に抽出する手法を提案する。 また、特定の細菌群間の関係をマイニングできるパイプラインについても述べる。 細菌間相互作用抽出法の開発に使用できる最初の公開データセットについて紹介する。
  論文  参考訳（メタデータ） (2023-04-27T06:14:25Z)
• Graph Neural Networks for Microbial Genome Recovery [64.91162205624848]
  本稿では,グラフニューラルネットワーク(GNN)を用いて,メダゲノミクスビニングのためのコンティグ表現を学習する際のアセンブリグラフを活用することを提案する。 提案手法であるVaeG-Binは,個々のコンティグの潜在表現を学習するための変分オートエンコーダと,アセンブリグラフ内のコンティグの近傍構造を考慮したGNNを組み合わせる。
  論文  参考訳（メタデータ） (2022-04-26T12:49:51Z)
• Understanding microbiome dynamics via interpretable graph representation learning [0.0]
  微生物構成における大規模な摂動は、ヒト生理学の健康と機能と強く相関している。 本稿では,これらの相互作用を,ノードが微生物であり,エッジが相互作用する時間進化グラフとしてモデル化することを提案する。 このような複雑な相互作用を分析する必要性から、時間進化グラフの低次元表現を学習する手法を開発した。
  論文  参考訳（メタデータ） (2022-03-02T18:53:14Z)
• Towards an Automatic Analysis of CHO-K1 Suspension Growth in Microfluidic Single-cell Cultivation [63.94623495501023]
  我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。 具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
  論文  参考訳（メタデータ） (2020-10-20T08:36:51Z)

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。