布尔矩阵逻辑编程在基因功能的活性学习中的应用于基因组规模代谢网络模型
合成生物学中,ILP-iML1515 是一种基于归纳逻辑编程的机器学习框架,通过逻辑推理和学习从实验样本中更新基因组规模代谢模型的新逻辑结构,以有效探索宿主细胞系统的假设空间并引导实验设计,从而降低学习基因功能的实验成本。
Aug, 2023
使用布尔矩阵逻辑编程(BMLP)算法以及 Petri 网的逻辑等价 Datalog 程序,可以有效地模拟和评估复杂系统的元网,解决了逻辑程序处理庞大 Petri 网的困难,提高了性能和分析能力。
May, 2024
本文介绍了 BoolGebra,一种新的属性图学习方法,用于布尔代数运算,旨在改进基本逻辑综合。BoolGebra 采用图神经网络和从结构和功能信息中提取的初始特征嵌入作为输入。使用全连接神经网络作为预测器进行直接优化结果预测,显著减小了搜索空间,并高效定位优化空间。实验中使用训练模型对特定设计和跨设计推理进行训练,BoolGebra 展示了跨设计推理的通用性和从小型简单训练数据集到大型复杂推理数据集的可扩展性。最后,BoolGebra 与现有综合工具 ABC 集成,实施端到端逻辑最小化评估,与 SOTA 基线相比。
Jan, 2024
通过构建样本空间的表示,使用半监督主动学习方法来精细调整生成模型,使其针对目标函数进行优化,以在化学空间代理内实施,从而最大限度地增强生成的分子与蛋白质靶点之间的吸引相互作用。
Sep, 2023
本文综述了生物医药行业中越来越受关注的图机器学习对于模拟生物分子结构、它们之间的功能关系以及综合多组学数据的能力,并在药物研发和发现的全过程中,从靶点识别、小分子和生物类药物设计、以及药物重药用等方面进行了归纳总结,并指出,尽管这一领域仍在崛起,但关键的里程碑已经出现,表明图机器学习将成为生物医学机器学习的首选模型框架。
Dec, 2020
提出了一种基于布尔逻辑代数的深度神经网络学习模型,建立了神经逻辑网络模型,可以显式地学习和解释逻辑函数,特别是用于归纳逻辑编程问题的新框架。通过在测试任务上的表现比较,证明了所提供的模型在元素算法任务上的有效性,并且可用于一些基准任务,如有序列表上的排序、十进制加法和乘法。
Apr, 2019
本文探讨了使用 “灰盒子”(基于物理信息和数据驱动的混合模型)来学习 CHO 细胞生物反应器的动态演化模型,并使用机器学习来直接学习演化方程,找回未知的物理参数,以及学习部分未知的动力学表达式。
May, 2023
我们基于主动学习算法,提出了一种全自动方法,用于生成分子能量的数据集,能够支持深度学习算法 ANI 在含有 CHNO 的有机分子的所有情况下实现精确的能量和力预测。
Jan, 2018
利用转录组数据进行预训练的转移学习方法,通过基因扰动的转录响应,最小化给定初始和目标转录状态之间的差异,成功重现已知的重编程协议并创新性地设计适用于特定重编程转变的可调整模型,研究揭示了基因调控网络对表型的管理方式。
Mar, 2024