验证生物分子网络的实验设计

MMNov, 2020

Design of Experiments for Verifying Biomolecular Networks

Ruby Sedgwick, John Goertz, Molly Stevens, Ruth Misener, Mark van der Wilk

TL;DR本研究提出了一种设计实验的方法，以有效地验证生物分子网络的正确性，采用高斯过程构建概率模型，并使用贝叶斯优化算法选择下一个样本点，在计算生物学领域的模拟数据下测试了该方法。

Abstract

There is a growing trend in molecular and synthetic biology of using mechanistic (non machine learning) models to design biomolecular networks. Once designed, these networks need to be validated by experimental r

molecular biology synthetic biology biomolecular networks experimental validation design of experiments

发现论文，激发创造

转移学习贝叶斯优化在诊断测定中设计竞争 DNA 分子

通过结合转移学习代理模型和贝叶斯优化，本文提出了一种实现工程生物分子装置的定制生物序列开发的设计实验工作流程，旨在减少实验数量并提高预测准确性。

Feb, 2024

贝叶斯优化用于合成基因设计

本文提出了一种三步法来解决合成基因设计中的优化问题，使用高斯过程模型来模拟细胞行为，定义了基于生物有意义的基因特征的最优基因设计规则，提出了多任务获得函数来同时优化多个感兴趣的方面，并定义了一个评估函数来排列和选择符合最佳设计策略的候选基因序列集合，并在哺乳动物细胞的实验中证明了该方法的性能。

May, 2015

使用机器学习设计最优行为实验

本研究提供了有关利用 BOED 及机器学习寻找可为任何类型的可模拟数据的模型提供最佳实验的教程，以及如何使用此过程的副产品快速、简便地评估模型及其参数与真实实验数据的方法，并利用模拟和真实实验验证了所提出方法的有效性。

May, 2023

朝着符合实验观测的经验力场

本文综述了基于分子动力学模拟和溶液实验数据的生物分子力场方法，讨论了该方法的机器学习相关问题和挑战。

Apr, 2020

基于核方法的机器学习夹心势场实验设计的优化：提高效率和可转移性

数据驱动的机器学习模型通常基于灵活而非物理函数，可以将原子排列的微妙方面与能量和力的预测联系起来。我们的研究挑战在于化学环境描述符通常是稀疏的高维对象，缺乏明确定义的连续度量。我们通过经典的统计实验规划和最优设计方法来解决这个问题，以减轻狭窄和偏见采样的陷阱，并评估数据的信息量，确保训练集是否可行。这种方法易于实施，不需要复杂的框架或高性能计算。

May, 2024

实施 EM 算法的反应网络方案

文章提出了一种基于反应网络的算法来解决统计问题，包括推断环境和最大似然估计等方面，可视为 E.T. Jaynes 的统计力学的统计推断的算法解释。

Apr, 2018

深度贝叶斯实验设计用于量子多体系统

该论文讨论了如何使用贝叶斯实验设计方法和深度神经网络来确定量子技术平台特征，以及如何使用这种方法进行量子模拟和计算。

Jun, 2023

利用 GFlowNets 进行生物序列设计

本文提出一种利用表观不确定性评估和最近提出的 GFlowNets 作为生成器的主动学习算法，旨在在每一轮后获得一批有用且信息量大的候选解，并在此基础上设计了新的生物序列设计任务模型，并对其进行了实验验证，在多个任务上取得了良好的效果。

Mar, 2022

基于贝叶斯学习的可靠分子监督学习的基准研究

本研究旨在探讨基于贝叶斯学习的图神经网络在分子筛选中的预测性能和可靠性，结果表明贝叶斯学习能够为不同的神经网络结构和分类任务提供良好的校准预测，并在虚拟筛选中发挥重要作用，从而产生更高的发现成功率。

Jun, 2020

目标定向顺序间接实验设计

通过二级优化程序，我们开发了一种自适应策略，设计间接实验来在选定的目标上尽可能减小询问的上下界之间的差距，从而告知关于真实机制的查询。

May, 2024