Exploring The Potential Of GANs In Biological Sequence Analysis
Georgia State University(佐治亚州立大学)
生物序列分析是建立对序列的潜在功能,结构和行为的更深入理解的重要一步。它可以帮助识别相关生物体的特征,如病毒等,并建立预防机制,以消除其传播和影响,因为众所周知,病毒会引起流行病,并可能成为全球性的流行病。机器学习(ML)技术为生物序列分析提供了新的工具,以有效地分析序列的功能和结构。然而,这些基于ML的方法经历了数据不平衡的挑战,通常与生物序列数据集相关,这阻碍了它们的性能。尽管存在各种策略来解决这个问题,例如创建合成数据的SMOTE算法,但是,它们关注局部信息而不是整体类分布。在这项工作中,我们探索了一种新的方法来处理数据不平衡问题的基础上生成对抗网络(GANs),使用整体数据分布。GANs用于生成与真实数据非常相似的合成数据,因此可以使用该生成的数据通过消除生物序列分析的类不平衡问题来增强ML模型的性能。我们通过使用3种不同的序列数据集(甲型流感病毒,PALMdb,VDjDB)执行3种不同的分类任务,我们的结果表明,GANs可以提高整体分类性能。
2023-03-04 cs.LG q-bio.QM
Density estimation for ordinal biological sequences and its applications
针对有序生物序列的分布推断问题,提出基于贝叶斯场论的非参数最大熵扩展方法,经胶质瘤非整倍体验证,可用于位点关联分析和概率景观几何研究。
2024-04-17 physics.bio-ph q-bio.QM
Characterising the D2 statistic: word matches in biological sequences
词匹配通常用于序列比较方法中,作为序列相似性的度量或用于算法如BLAST或BLAT的第一搜索步骤中。D2统计量是两个序列之间k个字母的单词的匹配数量。最近的进展已经取得了这一统计的特点,并在其分布的近似。在这里,这些结果被扩展到近似词匹配的情况下。我们计算的D2统计量的均匀字母分布的情况下的方差的精确值,并介绍了一种方法,以提供准确的近似方差在其余的情况下。这使得D2的分布能够近似于生物研究中出现的典型情况。我们将这些结果应用于顺式调控模块的识别,并表明该方法检测到这样的序列具有很高的准确性。精确和近似词匹配的D2近似分布的能力将使得能够以更精确的方式将该统计用于序列比较、数据库搜索和转录因子结合位点的鉴定。
2009-09-08 q-bio.GN q-bio.QM stat.AP
SECLAF: A Webserver and Deep Neural Network Design Tool for Biological Sequence Classification
人工智能(AI)工具每年在生物信息学中获得越来越多的支持。通过使用现有的庞大的生物数据库,可以很容易地教授学习算法,并且由此产生的模型可以用于对许多领域中的新的、未分类的数据进行高质量的分类,包括生物序列分析。在这里,我们介绍SECLAF,人工神经网络为基础的生物序列分类器框架,它使用谷歌公司的Tensorflow库。通过将SECLAF应用于残基序列,我们报道了(方法(2017),https://doi.org/10.1016/j.ymeth.2017.06.034)迄今为止最准确的多标记蛋白质分类器(UniProt -分为698类- AUC 99.99\%; Gene Ontology -分为983类- AUC 99.45\%)。我们的框架SECLAF可以应用于其他序列分类任务,我们在本贡献中描述。可用性和实施:程序SECLAF是用Python实现的,可在网站https://pitgroup.org/seclaf/下载示例数据集。对于基因本体论和基于UniProt的分类,也可在上述地址处获得网络服务器。
2017-08-14 q-bio.BM q-bio.QM
DCAlign v1.0: Aligning biological sequences using co-evolution models and informed priors
DCAlign v1.0提出一种利用共进化模型和先验知识进行生物序列比对的方法,通过经验先验覆盖插入缺失信息,大幅降低计算时间。
2023-09-04 q-bio.BM q-bio.QM
ProtVec: A Continuous Distributed Representation of Biological Sequences
University of California, Berkeley(加州大学伯克利分校);Lawrence Berkeley National Lab(劳伦斯伯克利国家实验室)
提出了一种新的生物序列表示和特征提取方法。命名为bio-vectors(BioVec)是指生物序列,蛋白质(氨基酸序列)是蛋白质载体(ProtVec),基因序列是基因载体(GeneVec),这种表示法可以广泛用于蛋白质组学和基因组学中的深度学习应用。在本文中,我们专注于蛋白质载体,可用于广泛的生物信息学研究,如家庭分类,蛋白质可视化,结构预测,无序蛋白质鉴定,和蛋白质相互作用预测。在该方法中,我们采用人工神经网络的方法,并表示一个蛋白质序列与一个单一的密集的n维向量。为了评估该方法,我们将其应用于从Swiss-Prot获得的属于7,027个蛋白质家族的324,018个蛋白质序列的分类,其中获得了93% ± 0.06%的平均家族分类准确率,优于现有的家族分类方法。此外,我们使用ProtVec表示从结构蛋白质预测无序蛋白质。使用两个无序序列数据库:DisProt数据库以及具有富含苯丙氨酸-甘氨酸重复序列(FG-NUPS)的核孔蛋白的无序区域的数据库。使用支持向量机分类器,FG-Nup序列与蛋白质数据库(PDB)中发现的结构化蛋白质序列区分的准确率为99.8%,非结构化DisProt序列与结构化DisProt序列区分的准确率为100.0%。这些结果表明,通过仅将各种蛋白质的序列数据提供到该模型中,可以确定关于蛋白质结构的准确信息。
2016-05-26 cs.AI cs.LG q-bio.GN
Geometric Aspects of Biological Sequence Comparison
我们提出了一个通用的框架转换生物序列之间的全球和局部相似性,以准度量。与以前的作品相比,我们的配方允许不对称的距离,源于不均匀的字符串加权,这可能会导致非平凡的偏序集的生物序列。此外,所考虑的$\ell^p$型距离比对应于$\ell^1$情况的传统广义字符串编辑距离更一般,并且使得能够将序列相似性转换为更宽类别的评分方案的距离。我们的建设需要更少的限制性缺口罚款比经常使用的。提供了许多例子来说明所介绍的概念及其潜在的应用。
2007-11-08 q-bio.QM
Flexible Flows for Biological Sequence Design
Aalto University(阿尔托大学);YaiYai Ltd(YaiYai有限公司);OpenProtein.AI
提出结构化耦合、潜编辑速率参数化和潜分类器无引导机制,实现变长序列生成和细粒度控制,在多种生物序列任务中达到最优性能。
2026-11-13 cs.AI cs.ET cs.LG
Analysis of the Relationships among Longest Common Subsequences, Shortest Common Supersequences and Patterns and its application on Pattern Discovery in Biological Sequences
对于一组多重序列,它们的模式,最长共同子序列(LCS)和最短共同超序列(SCS)代表了这些序列图谱的不同方面,它们都可以用于生物序列的比较和分析。揭示模式和LCS之间的关系,SCS可能会为我们提供一个更深层次的生物序列的模式,反过来导致更好地理解他们。然而,关于模式、语言控制系统和认知系统之间的关系还没有仔细的研究。本文分析了它们之间的关系,并给出了一些引理。基于它们之间的关系,提出了一组发现生物序列模式的算法,称为PALS(PAttering by Lcs and Scs)算法。这些算法首先通过启发式算法产生序列的LCS和SCS的结果,然后从这些结果中得到模式。实验表明,PALS算法在各种序列上都有很好的性能(效率和准确性)。PALS方法还为SCS和LCS的启发式结果之间的转换提供了解决方案。
2009-03-13 cs.DM cs.DS cs.IR
Unified framework for modeling multivariate distributions in biological sequences
揭示生物序列的功能位点,如进化保守的、结构相互作用的或共同进化的蛋白质位点,是一项基本的、但又具有挑战性的任务。不同的框架和模型被开发来应对这一挑战,包括位置特定的评分矩阵,马尔可夫随机场,多元高斯模型和最近的自动编码器。这些方法中的每一种都有一定的优势,虽然它们已经产生了一系列更好的生物学预测的见解,但这些见解仅限于相应的方法,并且难以转化为互补的领域。在这里,我们为上述模型提出了一个统一的框架,允许不同方法之间的可解释转换,并自然地结合了在不同社区中单独获得的优势和洞察力。我们展示了如何,通过使用统一的框架,我们能够实现国家的最先进的性能蛋白质结构预测,同时提高预测过程的可解释性。
2019-06-06 q-bio.QM
A Fast Template Based Heuristic For Global Multiple Sequence Alignment
生物技术的进步为许多生物序列提供了大量的功能、结构和基因组数据。异质生物学数据的可用性增加导致了生物学应用中需要多序列比对(msa)来比对相似特征,其中特征以结构、功能或进化术语描述。在这些应用中,对于一组给定的序列,取决于感兴趣的特征,最佳msa可能是不同的,并且序列相似性只能用作对msa准确性的粗略初始估计。这促使了基于模板的序列比对的发展,基于模板的序列比对用进化、结构和功能数据补充序列信息,并利用特征相似性而不是序列相似性来构建生物学上更准确的多序列比对。然而,当前用于设计基于模板的特征分析的框架不允许用户明确地指定可以帮助将特征分类为类型的信息以及表示特征相对于其他特征的相对重要性的关联权重。在本文中,我们首先提供了一种机制,作为模板信息的一部分,用户可以明确指定每个功能,其类型和权重。类型是基于特征的特性将特征分类为不同的类别,权重表示特征相对于该序列中其他特征的相对重要性。其次,我们利用上述信息来定义成对序列比对的评分模型,该模型假设片段保守性而不是单个字符(残基)保守性。最后,我们提出一个快速渐进式比对的启发式框架,有助于有效地构建一个全球msa。
2013-02-25 cs.CE q-bio.QM
Neural Distance Embeddings for Biological Sequences
MIT(麻省理工学院);Stanford University(斯坦福大学);University of Cambridge(剑桥大学);DeepMind(深度思维公司)
发展生物序列的数据依赖性分析和表征,反映它们的进化距离,是大规模生物学研究的关键。然而,基于连续欧几里得空间的流行机器学习方法一直在努力解决模拟进化的编辑距离的离散组合公式和表征真实世界数据集的层次关系。我们提出了神经距离嵌入(NeuroSEED),一个通用的框架,以嵌入序列的几何向量空间,并说明双曲空间的有效性,捕获的层次结构,并提供了一个平均22%的减少嵌入RMSE对最好的竞争几何。的能力的框架和这些改进的意义,然后证明设计监督和无监督的NeuroSEED方法在生物信息学的多个核心任务。以公共基线为基准,所提出的方法在真实世界的数据集上显示出显着的准确性和/或运行时间改进。作为分层聚类的一个例子,所提出的预训练和从头开始的方法分别以30倍和15倍的运行时间减少来匹配竞争基线的质量。
2021-10-11 cs.LG q-bio.QM
HAlign-II: efficient ultra-large multiple sequence alignment and phylogenetic tree reconstruction with distributed and parallel computing
多序列比对(MSA)在生物序列分析,特别是系统发育树的构建中起着关键作用。下一代测序的急剧增加导致缺乏有效的超大型生物序列比对方法来应对不同的序列类型。分布式和并行计算是加速超大型序列分析的关键技术。基于HAlign和Spark分布式计算系统,我们实现了一个高性价比和高时效的HAAlign-II工具,用于解决超大规模多生物序列比对和系统发育树构建问题。实验结果表明:1)HAlign-II能够高效地进行MSA,构建超大生物序列的系统发生树; 2)HAlign-II具有极高的内存效率,并能随着计算资源的增加而扩展; 3)HAlign-II提供了一个基于我们的分布式计算架构的用户友好的Web服务器。在http://lab.malab.cn/soft/halign上建立了具有开放源代码和数据集的HAlign-II。
2017-04-04 cs.DC q-bio.QM
Bootstrapped Training of Score-Conditioned Generator for Offline Design of Biological Sequences
Korea Advanced Institute of Science and Technology (KAIST)(韩国科学技术院(KAIST));Pohang University of Science and Technology (POSTECH)(浦项科技大学(POSTECH))
针对离线黑盒分数最大化下的生物序列优化问题,提出BootGen算法,通过基于排名的生成器训练与代理函数引导的自举数据增强,结合多样本聚合,显著提升了序列设计性能。
2024-03-22 cs.LG q-bio.QM stat.ML
A Domain Decomposition Strategy for Alignment of Multiple Biological Sequences on Multiprocessor Platforms
生物序列的多序列比对(MSA)是计算生物学中的一个基本问题,它在单倍型重构、序列同源性分析、系统发育分析和进化起源预测等方面具有重要的应用价值。MSA问题被认为是NP-难的,并且已知的问题的算法不能随着序列数量的增加而很好地扩展。另一方面,随着新一代快速测序技术的出现,现在可以非常快速地生成数千个序列。对于快速序列分析,因此期望开发快速MSA算法,其随着数据集大小的增加而很好地扩展。在本文中,我们提出了一种新的区域分解为基础的技术来解决多处理平台上的MSA问题。基于域分解的技术,除了产生更好的质量,在执行时间和内存需求方面提供了巨大的优势。所提出的策略允许将任何已知的O(N)^x复杂度的启发式算法的时间复杂度降低O(1/p)^x,其中N是序列的数量,x取决于底层的启发式方法,p是处理节点的数量。特别是,我们提出了一个高度可扩展的算法,Sample-Align-D,用于使用肌肉系统作为底层启发式算法来对齐生物序列。所提出的算法已经实现了一个集群的工作站使用MPI库。不同规模的问题的实验结果进行了分析,在对齐的质量,执行时间和加速。
2009-05-12 cs.DC q-bio.QM
A primer on model-guided exploration of fitness landscapes for biological sequence design
Dyno Therapeutics(Dyno治疗公司);Wyss Institute For Biologically Inspired Engineering(威斯生物启发工程研究所);Harvard University(哈佛大学)
机器学习方法越来越多地用于解决生物学家面临的挑战。将从这种异花授粉中受益匪浅的一个领域是生物序列设计问题,它具有巨大的治疗应用潜力。然而,这些领域之间的沟通仍然存在显着的低效率,这导致生物学家发现机器学习的进展难以接近,并阻碍了机器学习科学家对生物工程中有影响力的问题做出贡献。序列设计可以被看作是在离散的高维空间上的搜索过程,其中每个序列都与一个功能相关联。该序列-功能图被称为“适应度景观“。因此,设计一个具有特定功能的序列就是在这个空间中“发现”这样一个(通常很罕见的)序列。今天,由于大量生物序列的合成和测试取得了令人印象深刻的进展,我们可以构建具有良好插值能力的预测模型,这使得模型训练和验证成为可能。然而,它往往仍然是一个挑战,找到有用的序列的属性,我们喜欢使用这些模型。特别是,在这本入门书中,我们强调实验设计的算法,我们称之为“探索策略”,是一个相关的,但不同的问题,从建立良好的模型的序列到功能的地图。我们回顾了当前文献的进展和见解-绝不是一个完整的治疗-同时强调了最佳模型引导探索的理想功能,并涵盖了从我们自己的经验中得出的潜在陷阱。该引物可以作为来自不同领域的研究人员的起点,这些研究人员对使用模型搜索序列空间的问题感兴趣,但可能不知道源自其领域之外的方法。
2020-10-23 cs.LG q-bio.BM q-bio.PE
Discovering Patterns in Biological Sequences by Optimal Segmentation
Microsoft Research(微软研究院);University of Wisconsin - Milwaukee(威斯康星大学密尔沃基分校)
发现序列中局部相关模式的计算方法在计算生物学中很重要。在这里,我们展示了如何确定对齐序列的最佳分区为非重叠的片段,使得在同一片段中的位置是强相关的,而在不同的片段中的位置不是。我们的方法涉及到发现一个贝叶斯网络的隐变量,与观察到的序列相互作用,从而形成一组独立的混合模型。我们引入了一个动态的程序来有效地发现最佳分割,或等效的最佳隐藏变量集。我们评估我们的方法在两个计算生物学任务。一项任务是设计针对多态性病原体的疫苗,另一项任务是分析人类DNA中的单核苷酸多态性(SNP)。我们展示了这些问题中的常见任务如何自然地对应于学习模型中的推理过程。我们学习的模型用于预测缺失SNP的出错率比最先进的SNP预测方法的出错率低达1/3。源代码可在www.uwm.edu/~joebock/segmentation上获得。
2012-06-20 cs.CE cs.LG q-bio.QM
Accelerating Bayesian Optimization for Biological Sequence Design with Denoising Autoencoders
New York University(纽约大学);BigHat Biosciences(BigHat生物科学公司)
贝叶斯优化(BayesOpt)是查询高效连续优化的黄金标准。然而,它的药物设计的采用受到了阻碍的离散,高维的决策变量的性质。我们开发了一种新的方法(LaMBO),该方法联合训练去噪自动编码器与判别式多任务高斯过程头,允许在自动编码器的潜在空间中对多目标采集函数进行基于梯度的优化。这些获取功能允许LaMBO在多个设计回合中平衡探索-利用权衡,并通过优化帕累托边界上许多不同点的序列来平衡客观权衡。我们评估LaMBO的两个小分子设计任务,并介绍了新的任务优化大分子荧光蛋白的\emph{in silico}和\emph{in vitro}属性。在我们的实验中,LaMBO优于遗传优化器,并且不需要大量的预训练语料库,这表明BayesOpt对于生物序列设计是实用和有效的。
2022-07-12 cs.LG cs.NE q-bio.QM
GROOT: Effective Design of Biological Sequences with Limited Experimental Data
FPT Software AI Center(FPT软件人工智能中心);The University of Alabama at Birmingham(阿拉巴马大学伯明翰分校)
GROOT通过基于图的潜在平滑方法为训练嵌入邻居生成伪标签并利用标签传播细化,解决了生物序列设计中标记数据有限导致代理模型表现不佳的问题,在无需大量数据或黑盒访问下超越现有方法。
2024-11-18 cs.LG q-bio.QM
From Derivatives to Exact Sequence Substitution Effects in Dynamic Programming for Biological Sequence Analysis
Research Organization of Information and Systems(信息系统研究组织);Institute of Science Tokyo(东京科学大学)
该研究针对生物序列分析中动态规划问题,将多种模型表示为和积动态规划,定义相关量与序列变化,通过实验得出不同模型下的计算结果,此框架能确定导数适用情况及何时需重组,为相关分析提供统一基础。
2026-08-05 q-bio.QM
Integrating experimental feedback improves generative models for biological sequences
针对生成模型设计生物序列假阳性率高的问题,提出基于似然的实验反馈重整合方案,经计算与湿实验验证,显著提升了功能序列生成率并改进了生物分子设计。
2025-04-02 physics.bio-ph q-bio.BM q-bio.QM
Challenges and characterization of a Biological system on Grid by means of the PhyloGrid application
在这项工作中,我们提出了一个正在开发的新应用程序。PhyloGrid能够进行大规模的系统发育计算,就像那些已经用于估计已经存储在公共NCBI数据库中的所有序列的系统发育的计算一样。进一步的分析集中在通过大量的序列(总计2900个分类群)来检查HIV-1疾病的起源。这样的研究已经能够通过在Taverna实施工作流程来完成。
2014-12-05 cs.CE cs.DC q-bio.QM
Feature extraction in protein sequences classification : a new stability measure
特征提取是一项不可回避的任务,尤其是在生物序列预处理这一关键步骤中。该步骤包括例如将生物序列转化为基序的载体,其中每个基序是可以被视为表征序列的性质(或属性)的子序列。因此,我们得到一个对象属性表,其中对象是序列和属性是从序列中提取的图案。此输出可用于应用标准机器学习工具来执行数据采掘任务,例如分类。一些先前的工作已经描述了生物序列分类的特征提取方法,但是没有一个讨论这些方法在扰动输入数据时的鲁棒性。在这项工作中,我们引入了稳定性的概念所产生的图案,以研究图案提取方法的鲁棒性。我们表示这种鲁棒性的方法,以揭示发生在输入数据的任何变化的能力,以及它的目标感兴趣的图案的能力。我们使用这些标准来评估和实验比较四个现有的生物序列提取方法。
2012-12-05 cs.CE cs.LG q-bio.QM
Interpreting Sequence-Levenshtein distance for determining error type and frequency between two embedded sequences of equal length
本文提出一种修改方法,使Levenshtein distance和Sequence-Levenshtein distance能适应嵌入序列间的无惩罚移码并正确加权特定错误类型,以解决生物测序中的移码与加权错误问题。
2023-10-19 q-bio.QM
Aligning biological sequences by exploiting residue conservation and coevolution
核苷酸序列(对于DNA和RNA)或氨基酸序列(对于蛋白质)是生物学的中心对象。最重要的计算问题之一是序列比对,即以识别相似区域的方式排列来自不同生物体的序列,以检测序列之间的进化关系,并预测生物分子的结构和功能。这通常通过轮廓模型来解决,轮廓模型捕获位置特异性,如序列中的保守性,但假设不同位置的独立进化。在过去的几年里,已经很好地建立了不同氨基酸位置的共同进化对于维持三维结构和功能是必不可少的。基于逆统计物理的建模方法可以捕捉序列集成中的协同进化信号,目前已广泛应用于蛋白质结构、蛋白质相互作用和突变景观的预测。在这里,我们提出了DCAlign,一个有效的比对算法的基础上的一个近似的消息传递策略,这是能够克服的限制,配置文件模型,包括在一般的方式之间的位置的共同进化,并因此普遍适用于蛋白质和RNA-序列比对,而不需要使用互补的结构信息。DCAlign的潜力是仔细探索使用良好控制的模拟数据,以及真实的蛋白质和RNA序列。
2020-11-13 cond-mat.dis-nn physics.bio-ph q-bio.BM
Attribution assignment for deep-generative sequence models enables interpretability analysis using positive-only data
Oslo University Hospital(奥斯陆大学医院);University of Oslo(奥斯陆大学);Johannes Kepler University Linz(约翰·开普勒林茨大学);Novo Nordisk A/S(诺和诺德公司);University Hospital Basel(巴塞尔大学医院);Imprint Labs, LLC.(Imprint Labs有限责任公司)
针对生成式模型缺乏归因方法的问题,提出基于Integrated Gradients的GAMA归因方法,支持仅用正样本数据实现模型可解释性并验证生物序列设计策略。
2025-07-11 cs.LG q-bio.QM
Linguistically inspired roadmap for building biologically reliable protein language models
University of Oslo(奥斯陆大学);Oslo University Hospital(奥斯陆大学医院);University of Science and Technology of China(中国科学技术大学)
本文提出一条语言学启发的蛋白质语言模型构建路线图,从训练数据、分词、嵌入和模型解释等环节引入语言学规则提取思想,以提升模型可解释性并揭示序列-功能关系的生物学机制。
2023-04-28 cs.LG q-bio.QM
Reward-Guided Discrete Diffusion via Clean-Sample Markov Chain for Molecule and Biological Sequence Design
本文提出 Clean-Sample Markov Chain 方法,通过清洁样本构建马尔可夫链,实现离散扩散模型的高效奖励引导采样,提升分子和生物序列生成效果。
2026-02-10 cs.LG q-bio.QM
Align-gram : Rethinking the Skip-gram Model for Protein Sequence Analysis
Samsung R&D Institute, Bangladesh(三星孟加拉国研发研究所);BUET(孟加拉国工程技术大学)
背景:下一代测序技术的出现使生物序列数据量呈指数级增长。蛋白质序列被称为“生命的语言”,已被分析用于多种应用和推断。动机:由于深度学习的快速发展,近年来自然语言处理领域取得了许多突破。由于这些方法在用足够量的数据训练时能够执行不同的任务,因此使用现成的模型来执行各种生物应用。在这项研究中,我们研究了流行的跳跃-gram模型的适用性蛋白质序列分析,并试图将一些生物学的见解到it. Results:我们提出了一种新的$k$ -mer嵌入计划,Align-gram,这是能够映射类似的$k$ -mer接近彼此在一个向量空间。此外,我们对其他基于序列的蛋白质表示进行了实验,并观察到来自Align-gram的嵌入更好地帮助建模和训练深度学习模型。我们使用简单的基线LSTM模型和DeepGoPlus的复杂CNN模型进行的实验显示了Align-gram在执行不同类型的深度学习应用程序以进行蛋白质序列分析方面的潜力。
2020-12-06 cs.AI cs.LG q-bio.GN
Hyperdimensional computing: a fast, robust and interpretable paradigm for biological data
Ghent University(根特大学);BioLizard nv
本文综述超维计算(HDC)作为生物信息学替代范式的原理与潜力,展示其以高维向量和简单算子实现高效、可解释的多模态生物数据分析。
2024-02-27 cs.LG q-bio.QM
ImmunoLingo: Linguistics-based formalization of the antibody language
University of Oslo(奥斯陆大学);Oslo University Hospital(奥斯陆大学医院);University of Science and Technology of China(中国科学技术大学)
本文提出ImmunoLingo,通过定义抗体语言的词汇和语法,建立基于语言学的形式化框架,以提升语言模型在抗体特异性预测等免疫受体分析中的可解释性与领域适配性。
2022-11-29 cs.LG q-bio.QM
SBSM-Pro: Support Bio-sequence Machine for Proteins
Institute of Fundamental and Frontier Sciences, University of Electronic Science and Technology of China(电子科技大学基础与前沿研究院);Yangtze Delta Region Institute (Quzhou), University of Electronic Science and Technology of China(电子科技大学长三角研究院(衢州))
本文提出SBSM-Pro模型,通过氨基酸理化性质分组、序列比对、MKL信息整合与支持向量机,在十个数据集上完成蛋白质功能和翻译后修饰分类。
2023-11-04 cs.LG q-bio.QM
PropertyDAG: Multi-objective Bayesian optimization of partially ordered, mixed-variable properties for biological sequence design
Prescient Design, Genentech(基因泰克Prescient Design);New York University(纽约大学)
贝叶斯优化提供了一个样本效率的框架,用于在生物序列的巨大设计空间中导航探索-利用权衡。尽管可以使用多目标采集函数(例如预期超容积改善(EHVI))来联合优化各种感兴趣的属性,但是该方法不考虑具有分层依赖性结构的目标。我们考虑一个常见的用例,其中根据目标中指定的$\textit{partial ordering}$,帕累托边界的某些区域优先于其他区域。例如,当设计抗体时,我们希望只有当靶抗原可以在活细胞培养物中表达时才能最大化与靶抗原的结合亲和力-模拟实验依赖性,其中亲和力只能针对可以表达并因此以可行量产生的抗体进行测量。一般来说,我们可能希望赋予属性一个偏序,使得每个属性在其父属性满足某些可行性条件的条件下进行优化。为此,我们提出了PropertyDAG,一个框架,该框架在传统的多目标BO之上操作,以将这种期望的排序强加于目标,例如表达式$\rightarrow$亲和力。我们证明了它的性能在多个模拟的主动学习迭代青霉素生产任务,玩具数值问题,和现实世界的抗体设计任务。
2022-10-08 cs.LG q-bio.QM
Finding optimal finite biological sequences over finite alphabets: the OptiFin toolbox
Femto-ST Institute, UMR 6174 CNRS(弗朗什-孔泰电子、力学、热力学与光学-科学技术研究所,法国国家科学研究中心联合单位6174);Besançon Université de Bourgogne Franche-Comté(贝桑松勃艮第-弗朗什-孔泰大学)
在本文中,我们提出了一个特定的优化问题,经常出现在生物信息学或基因组学的工具箱。在这个特定的优化问题中,状态空间是有限字母表上指定长度的一组字。每个字都有一个对应的分数。总的目标是找到得分最低的单词。这种类型的一般优化问题在例如用于蛋白质结构预测的3D构象优化或基于一组物种的最佳支持的系统发育树的最大核心基因子集发现中遇到。为了解决这个问题,我们提出了一个工具箱,可以很容易地使用MPI启动,并嵌入3个著名的元分析。该工具箱已完全参数化并有良好的文档记录。它被专门设计为易于修改,并可能由用户根据应用程序进行改进,并且不需要是计算机科学家。我们表明,该工具箱在两个困难的实际问题上表现得非常好。
2017-06-25 cs.AI q-bio.QM
Set-based complexity and biological information
在生命系统的分子和结构中存在的所有潜在信息中,哪一部分对系统是重要的或有意义的,这一点并不明显。例如,随机序列或相同重复序列的集合将被期望对细胞贡献很少或没有有用的信息。这个问题的定量信息是重要的,因为潮起潮落的生物学意义的信息是必不可少的,我们的定量了解生物功能和进化。具体由这些问题的生物信息的动机,我们在这里提出了一类措施,以量化的上下文性质的信息集的对象,基于柯尔莫哥洛夫的内在复杂性。这种措施折扣随机和冗余信息,是固有的,因为它们不需要一个定义的状态空间来量化的信息。这个新的措施,它可以制定在通用信息距离方面的最大化,似乎有几个有用的和有趣的属性,其中一些我们举例说明。
2008-01-25 cs.CC cs.IT math.IT
Quantum algorithm for position weight matrix matching
我们提出了两个量子算法的问题,在生物信息学中,位置权重矩阵(PWM)匹配,其目的是找到段(序列基序)在生物序列,如DNA和蛋白质,具有高分数定义的PWM,从而与生物功能相关的信息的重要性。两种算法,朴素迭代法和基于蒙特卡罗的方法,输出匹配的片段,给出了对生物序列和PWM中的条目的预言访问。前者使用量子幅度放大(QAA)进行序列模体搜索,导致查询复杂度在序列长度$n$、序列模体长度$m$和PWM数目$K$上缩放为$\widetilde{O}\left(m\sqrt{Kn}\right)$,这意味着相对于现有经典算法在$n$和$K$方面的加速。后者还使用QAA,并进一步使用量子蒙特卡罗积分进行分段得分计算,而不是在朴素迭代方法中迭代地操作量子线路进行算术运算;然后在某些情况下,它提供了相对于$m$的额外加速。作为缺点,这些算法使用量子随机存取存储器,并且它们的初始化花费$O(n)$时间。然而,我们的算法保持的优势,特别是当我们搜索匹配的序列中的许多PWM并行。
2023-03-07 q-bio.QM quant-ph
GraphSeqLM: A Unified Graph Language Framework for Omic Graph Learning
Washington University in St. Louis(圣路易斯华盛顿大学)
针对多组学数据整合中GNN表达能力受限的问题,提出GraphSeqLM框架,利用LLM生成的生物序列嵌入增强GNN,通过整合拓扑与序列信息提升预测准确性,助力精准医学。
2024-12-20 cs.AI cs.LG q-bio.QM
adabmDCA: Adaptive Boltzmann machine learning for biological sequences
玻尔兹曼机是一种基于能量的模型,已被证明可以为进化相关的蛋白质和RNA家族提供准确的统计描述。它们被参数化的本地偏见占残基保护,和成对条款残基之间的上位协同进化模型。根据模型参数,可以提取目标域的三维接触图的准确预测。最近,这些模型的准确性也已经在预测突变效应和生成计算机功能序列的能力方面进行了评估。我们的玻尔兹曼机器学习的自适应实现,adabmDCA,通常可以应用于蛋白质和RNA家族,并完成几个学习设置,这取决于输入数据的复杂性和用户的要求。该代码可在https://github.com/anna-pa-m/adabmDCA上获得。作为一个例子,我们已经进行了学习的三个玻尔兹曼机建模Kunitz和β-内酰胺酶2蛋白结构域和TPP-核糖开关RNA结构域。由adabmDCA学习的模型在推断的接触图的质量以及合成生成的序列方面与通过用于该任务的最先进技术获得的模型相当。此外,该代码实现了平衡和非平衡学习,当平衡学习在计算时间方面令人望而却步时,它允许准确和无损的训练,并允许使用基于信息的标准修剪不相关的参数。
2021-11-02 cond-mat.dis-nn q-bio.BM q-bio.QM
Explicit Path CGR: Maintaining Sequence Fidelity in Geometric Representations
Columbia University(哥伦比亚大学)
提出信息保持的混沌游戏表示方法R-CGR,通过显式路径编码和有理算术实现序列完整恢复,在分类任务中性能竞争且提供可解释可视化。
2025-09-24 cs.LG q-bio.QM
Inverse Statistical Physics of Protein Sequences: A Key Issues Review
在进化过程中,蛋白质的氨基酸序列发生了重要的变化,而它们的三维折叠结构和生物学功能却保持着显著的保守性。由于现代测序技术,序列数据以前所未有的速度积累。这提供了大量的所谓同源,即~进化上相关的蛋白质序列,逆统计物理学的方法可以应用于这些序列。使用序列数据作为从微观配置或可观察量的样本中推断玻尔兹曼分布的基础,可以提取关于进化约束的信息,从而提取蛋白质功能和结构。在这里,我们概述了一些生物学上的重要问题,以及受生物力学启发的建模方法如何帮助回答这些问题。最后,我们讨论了一些开放的问题,我们希望在未来几年内得到解决。
2017-03-03 cond-mat.stat-mech q-bio.BM q-bio.QM
Deep Learning in Mining Biological Data
Nottingham Trent University(诺丁汉特伦特大学);Jahangirnagar University(贾汉吉尔纳加尔大学);Edinburgh Napier University(爱丁堡龙比亚大学)
本文探讨深度学习在生物数据挖掘中的应用,涵盖其在序列、图像和信号数据中的应用、数据来源、工具比较及未来研究方向。
2020-02-28 cs.LG q-bio.QM stat.ML
XAI-Driven Deep Learning for Protein Sequence Functional Group Classification
Manipal Institute of Technology, Manipal, India(Manipal理工学院,印度Manipal)
针对蛋白质序列功能基团分类问题,提出基于深度学习的框架,实现四种模型并采用k-mer编码训练,CNN获91.8%最高验证准确率,结合XAI技术识别出生物学相关基序,弥合预测准确性与生物学可解释性的差距。
2025-11-16 cs.AI cs.LG q-bio.QM
Functional Synthetic Biology
合成生物学家在过去的十年中取得了很大的进展,在开发方法的模块化组装的基因序列和工程生物系统具有广泛的各种功能,在各种情况下和有机体。然而,目前的范例在该领域纠缠的方式,使抽象的顺序和功能,降低工程的灵活性,并损害可预测性和设计重用。功能性合成生物学旨在通过将生物系统的设计集中在功能上而不是序列上来克服这些障碍。这种重新定位将使生物设备的工程设计与这些设备如何投入使用的细节脱钩,需要概念和组织的变化,以及支持软件工具。实现功能性合成生物学的这一愿景将使设备的使用更加灵活,设备和数据的重复使用机会更多,可预测性提高,技术风险和成本降低。
2022-07-01 q-bio.QM
Small Coupling Expansion for Multiple Sequence Alignment
本文提出基于消息传递与自由能小耦合展开的多序列比对算法,以线性链近似为零阶,突破位点独立剖面模型限制,并在生物序列上验证其性能。
2023-04-27 cond-mat.dis-nn physics.bio-ph q-bio.BM
What is a meaningful representation of protein sequences?
Technical University of Denmark(丹麦技术大学);University of Copenhagen(哥本哈根大学)
我们选择如何表示数据对我们随后从中提取信息的能力有着根本性的影响。机器学习有望从大型非结构化数据集(如生物学中出现的数据集)中自动确定有效的表示。然而,经验证据表明,对这些机器学习模型的看似微小的改变会产生截然不同的数据表示,从而导致对数据的不同生物学解释。这就引出了一个问题,即什么才是最有意义的表现。在这里,我们接近这个问题的蛋白质序列,这在最近的文献中得到了相当大的关注表示。我们探讨了表征自然出现的两个关键背景:迁移学习和可解释学习。在第一种情况下,我们证明了几个当代的做法产生次优性能,在后者中,我们证明,考虑代表几何显着提高可解释性,并让模型揭示生物信息,否则被掩盖。
2022-03-07 cs.LG q-bio.BM q-bio.QM