論文の概要: CERN: Correcting Errors in Raw Nanopore Signals Using Hidden Markov Models
- arxiv url: http://arxiv.org/abs/2603.20420v1
- Date: Fri, 20 Mar 2026 18:41:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-24 19:11:38.901007
- Title: CERN: Correcting Errors in Raw Nanopore Signals Using Hidden Markov Models
- Title（参考訳）: CERN:隠れマルコフモデルを用いた生ナノ孔信号の誤り訂正
- Authors: Simon Ambrozak, Ulysse McConnell, Bhargav Srinivasan, Burak Ozkan, Can Firtina,
- Abstract要約: 本稿では,隠れマルコフモデル(HMM)を用いて信号誤りを正確に補正する機構であるCERNを提案する。
CERNは、基盤となる生信号解析ツールの全体のマッピング精度を一貫して改善する。
- 参考スコア（独自算出の注目度）: 0.5675135779323283
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Nanopore sequencing can read substantially longer sequences of nucleic acid molecules than other sequencing methods, which has led to advances in genomic analysis such as the gapless human genome assembly. By analyzing the raw electrical signal reads that nanopore sequencing generates from molecules, existing works can map these reads without translating them into DNA characters (i.e., basecalling), allowing for quick and efficient analysis of sequencing data. However, raw signals often contain errors due to noise and mistakes when processing them, which limits the overall accuracy of raw signal analysis. Our goal in this work is to detect and correct errors in raw signals to improve the accuracy of raw signal analyses. To this end, we propose CERN, a mechanism that trains and utilizes a Hidden Markov Model (HMM) to accurately correct signal errors. Our extensive evaluation on various datasets including E. coli, Fruit Fly, and Human genomes shows that CERN 1) consistently improves the overall mapping accuracy of the underlying raw signal analysis tools, 2) minimizes the burden on segmentation algorithm optimization with newer nanopore chemistries, and 3) functions without causing substantial computational overhead. We conclude that CERN provides an effective mechanism to systematically identify and correct the errors in raw nanopore signals before further analysis, which can enable the development of a new class of error correction mechanisms purely designed for raw nanopore signals. CERN is available at https://github.com/STORMgroup/CERN. We also provide the scripts to fully reproduce our results on our GitHub page.
- Abstract（参考訳）: ナノ孔シークエンシングは、他のシークエンシング法よりもはるかに長い核酸分子配列を読み取ることができ、ギャップレスヒトゲノム組換えのようなゲノム解析の進歩につながった。
生の電気信号を分析して、分子からナノ孔シークエンシングが生成されることを読み取ることで、既存の研究はそれらをDNA文字(つまりベースコール)に翻訳することなく、それらをマッピングすることができ、シークエンシングデータの迅速かつ効率的な解析を可能にしている。
しかし、生信号には、ノイズや処理時の誤りによる誤りがしばしば含まれ、生信号解析の全体的な精度が制限される。
本研究の目的は,生信号の誤りを検出し,訂正し,生信号解析の精度を向上させることである。
この目的のために,隠れマルコフモデル(HMM)を訓練し,信号誤りを正確に補正する機構であるCERNを提案する。
E. coli、Fruit Fly、Human DNAなど様々なデータセットの広範な評価は、CERNが示す。
1)基礎となる生信号解析ツールの全体のマッピング精度を一貫して改善する。
2 より新しいナノ孔化剤による分別アルゴリズム最適化の負担を最小化する。
3) 計算オーバーヘッドを発生させることなく機能する。
我々は,CERNが生ナノ孔信号の誤りを解析する前に体系的に同定し,訂正する有効なメカニズムを提供すると結論付け,生ナノ孔信号に対して純粋に設計された新しい種類の誤り訂正機構の開発を可能にする。
CERNはhttps://github.com/STORMgroup/CERNで入手できる。
GitHubページで結果を完全に再現するスクリプトも提供しています。
関連論文リスト
- LANTERN: A Machine Learning Framework for Lipid Nanoparticle Transfection Efficiency Prediction [22.613971394957368]
効率的な脂質ナノ粒子(LNP)を介するRNA輸送のための新しいイオン化可能な脂質は、RNAベースの治療開発において重要なボトルネックとなっている。
近年の進歩は、分子構造からの透過効率を予測する機械学習(ML)の可能性を強調している。
ここでは, イオン化可能な脂質表現に基づく透過効率予測のための堅牢なMLフレームワークであるLANTERNを提案する。
論文 参考訳（メタデータ） (2025-07-03T22:49:49Z) - A Solid-State Nanopore Signal Generator for Training Machine Learning Models [0.0]
本稿では,機械学習応用のための広範囲な合成データセットを生成可能なナノ孔信号生成装置を提案する。
ディープラーニングモデルをトレーニングして、生信号から直接転位イベントを検出し、最小限の偽陽性で99%以上の真のイベント検出を達成します。
論文 参考訳（メタデータ） (2025-04-07T19:56:35Z) - Towards Faster k-Nearest-Neighbor Machine Translation [51.866464707284635]
k-nearest-neighbor 機械翻訳アプローチは、トークンをデコードする際に、データストア全体の重い検索オーバーヘッドに悩まされる。
ニューラルネットワークの翻訳モデルとkNNが生成する確率によってトークンが共同で翻訳されるべきかどうかを予測するための,単純で効果的な多層パーセプトロン(MLP)ネットワークを提案する。
本手法は,翻訳品質をわずかに低下させることなく,kNN検索のオーバーヘッドを最大53%削減する。
論文 参考訳（メタデータ） (2023-12-12T16:41:29Z) - Fast and Functional Structured Data Generators Rooted in Out-of-Equilibrium Physics [44.97217246897902]
エネルギーモデルを用いて、構造化データセットで高品質なラベル特化データを生成するという課題に対処する。
伝統的な訓練方法は、マルコフ連鎖モンテカルロ混合による困難に遭遇する。
非平衡効果を利用した新しいトレーニングアルゴリズムを用いる。
論文 参考訳（メタデータ） (2023-07-13T15:08:44Z) - Linear-scaling kernels for protein sequences and small molecules
outperform deep learning while providing uncertainty quantitation and
improved interpretability [5.623232537411766]
我々はGPモデルと高速畳み込みカーネルに適合する効率的でスケーラブルなアプローチを開発した。
xGPRと呼ばれるオープンソースのPythonライブラリを構築することで、これらの改善を実現しています。
xGPRは一般に、タンパク質や小分子の重要な性質を予測する上で、畳み込みニューラルネットワークよりも優れていることを示す。
論文 参考訳（メタデータ） (2023-02-07T07:06:02Z) - Graph Neural Networks with Trainable Adjacency Matrices for Fault
Diagnosis on Multivariate Sensor Data [69.25738064847175]
各センサの信号の挙動を別々に検討し,相互の相関関係と隠れ関係を考慮する必要がある。
グラフノードは、異なるセンサーからのデータとして表現することができ、エッジは、これらのデータの影響を互いに表示することができる。
グラフニューラルネットワークのトレーニング中にグラフを構築する方法が提案されている。これにより、センサー間の依存関係が事前に分かっていないデータ上でモデルをトレーニングすることができる。
論文 参考訳（メタデータ） (2022-10-20T11:03:21Z) - Deep metric learning improves lab of origin prediction of genetically
engineered plasmids [63.05016513788047]
遺伝工学の属性(GEA)は、配列-ラブの関連を作る能力である。
本稿では,計量学習に基づいて,最も可能性の高い実験室をランク付けする手法を提案する。
我々は、特定の実験室のプラスミド配列のキーシグネチャを抽出することができ、モデル出力の解釈可能な検査を可能にする。
論文 参考訳（メタデータ） (2021-11-24T16:29:03Z) - An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。
半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。
本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
論文 参考訳（メタデータ） (2020-12-06T18:55:07Z) - Deep Neural Network: An Efficient and Optimized Machine Learning
Paradigm for Reducing Genome Sequencing Error [27.84400682210533]
シークエンシングプロセスで使用されるプラットフォームのほとんどは、重大なエラーを発生させることが知られている。
置換とインデルという2種類のゲノムエラーについて、我々の研究はインデルの修正に重点を置いている。
ディープラーニングアプローチは、選択したデータセットをシーケンシングする際のエラーを修正するために使用された。
論文 参考訳（メタデータ） (2020-10-06T08:16:35Z) - 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。