論文の概要: Sequential Design of Genetic Circuits Under Uncertainty With Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2605.06552v1
• Date: Thu, 07 May 2026 16:49:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-08 22:27:12.009253
• Title: Sequential Design of Genetic Circuits Under Uncertainty With Reinforcement Learning
• Title（参考訳）: 強化学習による不確実性下における遺伝的回路の逐次設計
• Authors: Michal Kobiela, Diego A. Oyarzún, Michael U. Gutmann,
• Abstract要約: 両形態の不確実性の下で遺伝的回路を最適化するための逐次的枠組みを提案する。 本手法は,本質性を考慮した未知の実験条件に適応する実験を提案する。 異種遺伝子の発現モデルとリプレッシレータ回路について,分子ノイズとクロスラボラリティーの両方を効率的に扱えることを示す。
• 参考スコア（独自算出の注目度）: 3.5429774642987915
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The design of biological systems is hindered by uncertainty arising from both intrinsic stochasticity of biomolecular reactions and variability across laboratory or experimental conditions. In this work, we present a sequential framework to optimize genetic circuits under both forms of uncertainty. By employing simulator models based on differential equations or Markov jump processes alongside a reinforcement learning (RL) policy-based approach, our method suggests experiments that adapt to unknown laboratory conditions while accounting for inherent stochasticity. While previous Bayesian methods address uncertainty through iterative experiment-inference-optimization cycles, they typically require computationally expensive inference and optimization steps after each experimental round, leading to delays. To overcome this bottleneck, we propose an amortized approach trained up-front across a distribution of possible uncertain parameters. This strategy sidesteps the need for explicit parameter inference during the design cycle, enabling immediate, observation-based adaptation. We demonstrate our framework on models for heterologous gene expression and a repressilator circuit, showing that it efficiently handles both molecular noise and cross-laboratory variability.
• Abstract（参考訳）: 生体系の設計は、生体分子反応の内在的確率性と実験条件における変動性の両方から生じる不確実性によって妨げられる。 本研究では,両形態の不確実性の下で遺伝的回路を最適化するための逐次的枠組みを提案する。 微分方程式に基づくシミュレータモデルやマルコフジャンププロセスと強化学習(RL)ポリシーに基づくアプローチを併用することにより,本手法は固有確率性を考慮して未知の実験条件に適応する実験を提案する。 ベイズ的手法は反復的な実験推論最適化サイクルを通じて不確実性に対処するが、通常、各実験ラウンドの後に計算に費用がかかる推論と最適化のステップを必要とし、遅延を引き起こす。 このボトルネックを克服するために、不確実なパラメータの分布を事前訓練した償却アプローチを提案する。 この戦略は、設計サイクル中に明示的なパラメータ推論の必要性を助長し、即時、観察に基づく適応を可能にする。 異種遺伝子の発現モデルとリプレッシレータ回路について,分子ノイズとクロスラボラリティーの両方を効率的に扱えることを示す。

関連論文リスト

• Training-Free Stein Diffusion Guidance: Posterior Correction for Sampling Beyond High-Density Regions [46.59494117137471]
  自由拡散誘導の訓練は、追加の訓練なしに既成の分類器を活用する柔軟な方法を提供する。 本稿では,SOC を対象とする新たなトレーニングフリーフレームワークである Stein Diffusion Guidance (SDG) を紹介する。 分子低密度サンプリングタスクの実験は、SDGが標準のトレーニングフリーガイダンス手法を一貫して上回っていることを示唆している。
  論文  参考訳（メタデータ） (2025-07-07T21:14:27Z)
• High-Dimensional Markov-switching Ordinary Differential Processes [23.17395115394655]
  まず, 離散サンプルから連続サンプル経路を復元し, プロセスのパラメータを推定する2段階アルゴリズムを開発した。 我々は,その過程が$beta$-mixingである場合の統計的誤差と線形収束保証に関する新しい理論的知見を提供する。 本モデルを用いて,ADHD群と正常制御群における静止状態脳ネットワークの差異について検討する。
  論文  参考訳（メタデータ） (2024-12-30T18:41:28Z)
• Inferring biological processes with intrinsic noise from cross-sectional data [0.8192907805418583]
  データから動的モデルを推定することは、計算生物学における重要な課題である。 確率フロー推論(PFI)は,ODE推論のアルゴリズム的容易性を維持しつつ,本質性から力を引き離すことを示す。 実例では,PFIは高次元反応ネットワークにおける正確なパラメータと力の推定を可能にし,分子ノイズによる細胞分化動態の推測を可能にする。
  論文  参考訳（メタデータ） (2024-10-10T00:33:25Z)
• DiffHybrid-UQ: Uncertainty Quantification for Differentiable Hybrid Neural Modeling [4.76185521514135]
  本稿では,ハイブリッドニューラル微分可能モデルにおける有効かつ効率的な不確実性伝播と推定のための新しい手法DiffHybrid-UQを提案する。 具体的には,データノイズとてんかんの不確かさから生じるアレタリック不確かさと,モデル形状の相違やデータ空間のばらつきから生じるエピステマティック不確かさの両方を効果的に識別し,定量化する。
  論文  参考訳（メタデータ） (2023-12-30T07:40:47Z)
• Selective Nonparametric Regression via Testing [54.20569354303575]
  本研究では,所定の点における条件分散の値に関する仮説を検証し,留置手順を開発する。 既存の手法とは異なり、提案手法は分散自体の値だけでなく、対応する分散予測器の不確実性についても考慮することができる。
  論文  参考訳（メタデータ） (2023-09-28T13:04:11Z)
• Provable Guarantees for Generative Behavior Cloning: Bridging Low-Level Stability and High-Level Behavior [51.60683890503293]
  生成モデルを用いた複雑な専門家による実演の行動クローニングに関する理論的枠組みを提案する。 任意の専門的軌跡の時間ごとのステップ分布に一致するトラジェクトリを生成することができることを示す。
  論文  参考訳（メタデータ） (2023-07-27T04:27:26Z)
• Learning minimal representations of stochastic processes with variational autoencoders [52.99137594502433]
  プロセスを記述するのに必要なパラメータの最小セットを決定するために、教師なしの機械学習アプローチを導入する。 我々の手法はプロセスを記述する未知のパラメータの自律的な発見を可能にする。
  論文  参考訳（メタデータ） (2023-07-21T14:25:06Z)
• Real-Time Variational Method for Learning Neural Trajectory and its Dynamics [7.936841911281107]
  本稿では,指数関数型家族変動カルマンフィルタ(eVKF)について紹介する。 我々は、カルマンフィルタの予測ステップに対する閉形式変分類似を導出し、他のオンライン変分法と比較してELBO上の有意な厳密な境界を導出する。 我々は,本手法を実世界の合成・実世界のデータで検証し,特に競争性能が向上したことを示す。
  論文  参考訳（メタデータ） (2023-05-18T19:52:46Z)
• 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)

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。