論文の概要: Identification of Capture Phases in Nanopore Protein Sequencing Data Using a Deep Learning Model

• arxiv url: http://arxiv.org/abs/2511.01277v1
• Date: Mon, 03 Nov 2025 06:51:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 16:37:27.145356
• Title: Identification of Capture Phases in Nanopore Protein Sequencing Data Using a Deep Learning Model
• Title（参考訳）: 深層学習モデルを用いたナノ孔タンパク質配列データの捕捉相の同定
• Authors: Annabelle Martin, Daphne Kontogiorgos-Heintz, Jeff Nivala,
• Abstract要約: ダウンサンプリング信号窓の捕捉位相を検出する軽量な1次元畳み込みニューラルネットワーク (1D CNN) を開発した。 我々の最良のモデルであるCaptureNet-Deepは、ホールドアウトテストデータでF1スコア0.94と精度93.39%を達成した。 これらの結果から,シンプルかつ解釈可能なアーキテクチャを用いて,効率的なリアルタイムキャプチャ検出が可能であることが示唆された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Nanopore protein sequencing produces long, noisy ionic current traces in which key molecular phases, such as protein capture and translocation, are embedded. Capture phases mark the successful entry of a protein into the pore and serve as both a checkpoint and a signal that a channel merits further analysis. However, manual identification of capture phases is time-intensive, often requiring several days for expert reviewers to annotate the data due to the need for domain-specific interpretation of complex signal patterns. To address this, a lightweight one-dimensional convolutional neural network (1D CNN) was developed and trained to detect capture phases in down-sampled signal windows. Evaluated against CNN-LSTM (Long Short-Term Memory) hybrids, histogram-based classifiers, and other CNN variants using run-level data splits, our best model, CaptureNet-Deep, achieved an F1 score of 0.94 and precision of 93.39% on held-out test data. The model supports low-latency inference and is integrated into a dashboard for Oxford Nanopore experiments, reducing the total analysis time from several days to under thirty minutes. These results show that efficient, real-time capture detection is possible using simple, interpretable architectures and suggest a broader role for lightweight ML models in sequencing workflows.
• Abstract（参考訳）: ナノ孔タンパク質シークエンシングは、タンパク質の捕獲や転位といった重要な分子相が埋め込まれた長い、ノイズの多いイオン電流を発生させる。 捕捉相は、タンパク質の細孔への侵入が成功し、チャネルがさらなる解析に有用であるチェックポイントとシグナルの両方として機能する。 しかし、キャプチャフェーズのマニュアル識別は時間集約的であり、複雑な信号パターンのドメイン固有の解釈を必要とするため、専門家レビュアーがデータに注釈を付けるのに数日を要することが多い。 これを解決するために、軽量な1次元畳み込みニューラルネットワーク(1D CNN)を開発し、ダウンサンプリング信号ウィンドウの捕捉位相を検出するように訓練した。 CNN-LSTM(Long Short-Term Memory)ハイブリッド、ヒストグラムベースの分類器、および他のCNN変種に対してランレベルデータ分割を用いた評価を行い、私たちの最良のモデルであるCaptureNet-DeepはF1スコア0.94、ホールドアウトテストデータ93.39%の精度を達成した。 このモデルは低遅延推論をサポートし、オックスフォード・ナノポールの実験用のダッシュボードに統合され、分析時間を数日から30分未満に短縮する。 これらの結果は、シンプルで解釈可能なアーキテクチャを用いて、効率的なリアルタイムキャプチャ検出が可能であることを示し、シーケンシングワークフローにおける軽量MLモデルに対するより広範な役割を示唆している。

関連論文リスト

• PSDNorm: Test-Time Temporal Normalization for Deep Learning in Sleep Staging [63.05435596565677]
  我々は,モンジュマッピングと時間文脈を利用したPSDNormを提案し,信号の深層学習モデルにおける特徴写像の正規化を行う。 PSDNormは、BatchNormよりも4倍のデータ効率が高く、目に見えない左のデータセットで最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2025-03-06T16:20:25Z)
• On Input Formats for Radar Micro-Doppler Signature Processing by Convolutional Neural Networks [1.2499537119440245]
  位相情報の有用性と畳み込みニューラルネットワークに対するドップラー時間入力の最適なフォーマットを解析する。 畳み込みニューラルネットワーク分類器によって達成された性能は入力表現の種類に大きく影響されている。
  論文  参考訳（メタデータ） (2024-04-12T07:30:08Z)
• Few-shot Learning using Data Augmentation and Time-Frequency Transformation for Time Series Classification [6.830148185797109]
  データ拡張による新しい数ショット学習フレームワークを提案する。 シークエンス・スペクトログラム・ニューラルネット(SSNN)も開発している。 本手法は,時系列分類における数ショット問題への対処法の適用性を実証する。
  論文  参考訳（メタデータ） (2023-11-06T15:32:50Z)
• Domain Adaptive Synapse Detection with Weak Point Annotations [63.97144211520869]
  弱点アノテーションを用いたドメイン適応型シナプス検出のためのフレームワークであるAdaSynを提案する。 I SBI 2023のWASPSYNチャレンジでは、我々の手法が第1位にランクインした。
  論文  参考訳（メタデータ） (2023-08-31T05:05:53Z)
• Continuous time recurrent neural networks: overview and application to forecasting blood glucose in the intensive care unit [56.801856519460465]
  連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。 重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
  論文  参考訳（メタデータ） (2023-04-14T09:39:06Z)
• LSTM and CNN application for core-collapse supernova search in gravitational wave real data [0.0]
  コア崩壊型超新星(CCSNe)は、銀河系や近隣の銀河の干渉計によって検出される重力波信号を放出することが期待されている。 実データを用いた各種CCSNeシミュレート信号と雑音過渡音のマルチラベル分類のための機械学習(ML)の可能性を示す。
  論文  参考訳（メタデータ） (2023-01-23T12:12:33Z)
• NAF: Neural Attenuation Fields for Sparse-View CBCT Reconstruction [79.13750275141139]
  本稿では,スパースビューCBCT再構成のための新規かつ高速な自己教師型ソリューションを提案する。 所望の減衰係数は、3次元空間座標の連続関数として表現され、完全に接続されたディープニューラルネットワークによってパラメータ化される。 ハッシュ符号化を含む学習ベースのエンコーダが採用され、ネットワークが高周波の詳細をキャプチャするのに役立つ。
  論文  参考訳（メタデータ） (2022-09-29T04:06:00Z)
• A Probabilistic Autoencoder for Type Ia Supernovae Spectral Time Series [1.3316902142331577]
  我々は、スペクトル時系列のスパース集合からIa型超新星(SNe Ia)の固有多様性を学習するために確率論的自己エンコーダを構築する。 PAEは低次元の潜伏空間を学習し、人口内に存在する非線形な特徴を捉えていることを示す。 次に、SNe Ia上の多くの下流タスクにPAEを使用し、より正確に宇宙論的な分析を行う。
  論文  参考訳（メタデータ） (2022-07-15T17:58:27Z)
• Convolutional Neural Networks for Sleep Stage Scoring on a Two-Channel EEG Signal [63.18666008322476]
  睡眠障害は、世界中の主要な病気の1つです。 専門家が使用する基本的なツールはPolysomnogramで、睡眠中に記録された様々な信号の集合である。 専門家は、標準的なガイドラインの1つに従って異なる信号を採点する必要があります。
  論文  参考訳（メタデータ） (2021-03-30T09:59:56Z)
• Identification of complex mixtures for Raman spectroscopy using a novel scheme based on a new multi-label deep neural network [0.0]
  本稿では,定数ウェーブレット変換(CWT)と複雑な混合物を分類するためのディープネットワークに基づく新しいスキームを提案する。 次に、多ラベルディープニューラルネットワークモデル(MDNN)を材料分類に適用する。 本モデルから得られた平均検出時間は5.31秒であり,従来提案したモデルよりもはるかに高速である。
  論文  参考訳（メタデータ） (2020-10-29T14:58:39Z)
• Deep learning for gravitational-wave data analysis: A resampling white-box approach [62.997667081978825]
  我々は、LIGO検出器からの単一干渉計データを用いて、畳み込みニューラルネットワーク(CNN)を用いて、コンパクトなバイナリコレッセンスにおける重力波(GW)信号を検出する。 CNNはノイズを検出するのに非常に正確だが、GW信号のリコールに十分な感度がないため、CNNはGWトリガの生成よりもノイズ低減に適している。
  論文  参考訳（メタデータ） (2020-09-09T03:28:57Z)

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。