00:35:00 このセクションでは、スピーカーは、根底にある生物学の検査を可能にするマルチモダリティ データセットを組み合わせた方法論の開発について説明します。彼らは、視覚信号と自然言語処理を組み合わせてシステムをよりよく理解する機械学習の分野における最近の提案を強調しています。次にスピーカーは、DNA 配列の機能を定量化する danq や遺伝子発現を予測する djgx など、主に深層学習手法を使用してラボが開発したツールをいくつか挙げます。講演者はまた、転写因子結合を予測する他の 2 つのツール、factory mat と sc fin についても簡単に説明します。sc fin は、単一細胞予測用の factory mat の拡張です。
00:55:00 このセクションでは、教授は一般的なフレームワークに基づく学習データの問題について説明し、近似推論方法論、特に変分推論と呼ばれる人気のある方法論を紹介します。バツ。次に、補助分布を使用した対数尤度限界の下限は、データと分布間の ko 距離とのバランスによって最小化されます。これにより、観測可能なデータ セットをモデル化するのに十分な検出力を持ちながら、事後分布が事前分布に十分近くなることが保証されます。 .これは、負の対数尤度の変動を最小限に抑えるようにトレーニングすることにより、与えられた z とニューラル ネットワークを介した補助分布の両方をモデル化できる変分オートエンコーダーの開発につながりました。ただし、これらの期待値の計算には問題があり、特にガウス積を適用する場合は、再パラメータ化のトリックを使用して対処できます。
01:15:00 ビデオのこのセクションでは、スプライシング AI を希少疾患患者、具体的にはエクソンを延長してタンパク質をフレーム シフトした単一ヌクレオチド変異によって引き起こされた早期発症の心不全患者に適用する方法について説明しています。モデルは GTEx の RNA-seq でも検証され、検証率はスプライス AI スコアに依存していました。スピーカーは、正常なスプライシングを維持する可能性があるため、低スコアのスプライスバリアントを解釈することの複雑さを強調し、対処する必要がある人間のバリエーションの段階的な解釈があります.潜在的なスプライス機能を持つバリアントに対する自然選択の影響も調べられ、自然選択は、スパイシー i によって予測される潜在的なスプライス変異がフレームシフトまたはナンセンスタンパク質コード変異と本質的に同等であることを示していることがわかりました。最後に、このモデルは、自閉症スペクトラム障害と知的障害を持つ患者の大規模な臨床データ セットに適用されました。
6.874/6.802/20.390/20.490/HST.506 Spring 2021 Prof. Manolis KellisDeep Learning in the Life Sciences / Computational Systems BiologyPlaylist: https://youtube...
00:40:00 このセクションでは、スピーカーは、単一細胞ゲノミクスでディープラーニングを使用して細胞型を再構築する機能について説明します。目標は、CD4 陽性 T 細胞などの細胞タイプを刺激された方法で再構築することです。予測は、平均だけでなく、分散の分布にも基づいています。この再構築は、CD4 陽性 T 細胞だけでなく、すべての異なる細胞タイプに対しても行われ、細胞特異的な応答が学習されるため、ゲノミクスの強力なツールになります。スピーカーは、潜在空間学習で拡張された単純な生成モデルである SCGen についても話します。大きなサンプルに関するすべての情報をモデルに詰め込むことにより、スタイルの転送を行うために使用できます。最後に、スピーカーは、分散データを処理し、これらのマップにアクセスしやすくするために不可欠な転移学習について説明します。
MIT 6.874/6.802/20.390/20.490/HST.506 Spring 2021 Prof. Manolis KellisGuest lecturers: Fabian Theis, Romain LopezDeep Learning in the Life Sciences / Computa...
MIT 6.874/6.802/20.390/20.490/HST.506 Spring 2021 Prof. Manolis KellisGuest Lecture: Joshua WelchDeep Learning in the Life Sciences / Computational Systems B...
00:05:00 このセクションでは、スピーカーは、メンデルの個別の遺伝と、観察された表現型形質の連続的な変動との間の調整について説明します。メンデルによって導入された粒状遺伝の概念は、優性遺伝子または劣性遺伝子と名付けられた個別の遺伝単位があることを示しました。しかし、人間で観察される連続的な変動の生体認証は、メンデル遺伝では説明できませんでした。これは、1900 年代初頭の統計学者の研究によって変化し、連続変動は複数のメンデル遺伝子座によって説明できることが示されました。これがメンデル形質マッピングの基礎となり、最終的に染色体と DNA が遺伝物質を運ぶという理解につながりました。さらに、講演者は、独立した組み合わせのルールからの逸脱がどのようにしてヒト遺伝学の主力となったのか、また染色体上で物理的に近い形質がどのように共遺伝する傾向があるのかについて説明します.
00:10:00 このセクションでは、スピーカーは、異なる形質がコード化されているヒトゲノムの領域を追跡するために、異なる形質の連鎖と分離頻度を使用する、メンデルマッピングとして知られる遺伝子マッピングの従来のアプローチについて説明します。ただし、このアプローチは効果が強い特性に対してのみ有効です。次にスピーカーは、2000 年代の革命について話します。これにより、従来のリンケージ法を使用した分析では以前は影響を受けなかった弱い効果の変動をマッピングすることが可能になりました。これは、ゲノム全体のすべての SNP と、それらがさまざまな疾患によってどのように変化するかを調べるゲノムワイド関連研究 (GWAS) によって達成されました。講演者は、SNP、インデル、SDR、構造バリアント、コピー数バリアントなど、GWAS で検査されるバリエーションの種類と、これらのバリエーションがゲノムの機能にどのように影響するかについて説明します。
00:25:00 このセクションでは、話者は統合失調症、肥満、糖尿病などの状態を研究するために、数千人の個人、約 50% の症例、50% の対照を収集するゲノム全体の関連研究を紹介します。これらの研究は通常、力を得るために症例を過剰に代表しており、配列決定に比べてコストが安いため、ジェノタイピング技術が使用されています。講演者は、結果の正確性を確保するために、サンプルと SNP の両方における品質管理の重要性を強調しています。さらに、スピーカーは、母集団認証の概念と、研究における個人間の関連性を排除する必要性について説明します。
00:30:00 このセクションでは、スピーカーはカイ二乗統計量と p 値分布を使用して、ゲノムワイド関連研究 (GWAS) で実際の疾患シグナルを検出する方法を説明します。スピーカーは、各 SNP の対立遺伝子を持つ症例と対照の数を示す分割表を使用して、症例と対照の間の対立遺伝子の頻度の偏差を探します。カイ二乗統計量は偏差の大きさを測定し、p 値は対立遺伝子が表現型に影響を与えないという仮説を棄却するために使用されます。次にスピーカーは、マンハッタン プロットに p 値をプロットして、疾患の表現型と有意に関連するゲノム領域を視覚化する方法を説明します。
00:35:00 このセクションでは、スピーカーは、SNP がランダムに疾患に関連する確率のマイナス log 10 p 値を表示するマンハッタン プロットと、疾患の p 値を比較する QQ プロットの使用について説明します。テストされた数百万の SNP。これらに続いて機能分析を行い、SNP の役割を別の方法で調べます。ゲノム全体の有意水準は、20 年前に封筒の裏計算に基づいて確立された 10 のマイナス 8 乗の 5 倍に設定されています。ただし、すべての SNP を個別に分離するのに十分な時間がないヒト集団の遺伝的変異は限られているため、詳細なマッピングは困難な場合があります。
01:10:00 このセクションでは、講演者は、クロマチン レベルで DNA 感受性に影響を与えるバリアントの予測の精度をどのように評価したかについて説明します。彼らは、詳細にシーケンスされたゲノム データセットを分析し、1 つの対立遺伝子が他の対立遺伝子よりも有意に多く表されているヘテロ接合バリアントを探しました。これは、潜在的な DNA 感度の違いを示しています。彼らはモデルをトレーニングして、参照対立遺伝子と代替対立遺伝子の両方の DNA 感受性を予測し、その予測を実験結果と比較しました。彼らは、参照対立遺伝子と代替対立遺伝子の間の差異が大きく、より自信を持って予測されたバリアントを使用して、モデルがバリアントを予測する際の精度が高いことを発見しました。評価は偽陽性に対して堅牢であり、真陽性をフィルタリングすることができました。彼らはまた、このアプローチをヒストン マーク QTL に適用し、より高いヒストン マークに関連する対立遺伝子を予測できることを発見しました。
MIT 6.874/6.802/20.390/20.490/HST.506 Spring 2021 Prof. Manolis KellisDeep Learning in the Life Sciences / Computational Systems BiologyPlaylist: https://you...
Deep Learning in Life Sciences シリーズの GWAS メカニズムに関する講義では、複雑な形質に関与する非コード遺伝子バリアントの機能を理解するためのさまざまな方法について説明します。この講義では、エピゲノム アノテーションとディープ ラーニング モデルを使用して、特定の疾患の遺伝的に関連する領域全体のグローバル プロパティを特定する方法について説明します。また、さまざまな組織やエンハンサーにまたがるエンリッチメントについても説明し、遺伝子座内の原因となる SNP を予測するために、これらを経験的事前確率に変換する方法について説明します。講義では、遺伝子発現やメチル化などの中間分子表現型を使用して、ゲノム全体の関連研究における因果関係を研究する方法、および遺伝子型と発現の個人的構成要素を組み合わせて発現の表現型変数を説明する方法についても説明します。最後に、講義では、因果推論手法を使用して、結果変数に対する変数の変更の影響を判断し、因果経路と反因果経路を特定する方法を調べます。
00:00:00 このセクションでは、前のセッションから、エピゲノム濃縮、eQTL、およびブリティッシュ大学の Yong Jin Park 教授による調停と因果関係の研究などのグローバル変数の理解へと議論を拡大することに焦点を当てます。コロンビア。講義では、ファイン マッピングと遺伝子座機構の解剖について簡単に説明し、続いてエピゲノムを使用したグローバル エンリッチメント分析のさまざまな方法を説明し、作用レギュレーターの組織、細胞型、および標的遺伝子を推測します。さらに、講義では、表現型を予測するためにゲノム全体の関連研究で使用される線形混合モデルと多遺伝子リスクスコア、および木曜日の講義の残りのトピックに移行するための遺伝率について説明します。最終的な目標は、何千もの遺伝子座にまたがるマンハッタン プロットのすべてのピークの背後にある機能的ドライバーと機械的基盤を同時に理解することです。
00:35:00 このセクションでは、ビデオは、遺伝子型主導のメチル化とアルツハイマー病などの表現型との間の相関関係を発見するために、より大きなコホートに帰属メチル化を使用する方法について説明します。帰属メチル化は、メチル化の遺伝的要素であり、それを帰属することにより、研究者はより少ない個人を使用して遺伝子型主導のメチル化を探し、力を高め、遺伝的要素を具体的に調べることができます。このビデオでは、特定のケースで、複数の SNP を一緒に使用すると、ゲノム的に有意ではなかった多くの SNP が有意になり、研究者がそれらの効果を組み合わせてメチル化を予測できるようになる例も示されています。
00:45:00 講義のこのセクションでは、遺伝子型と発現の個人的構成要素を組み合わせて、追加の共分散と遺伝子型を含むモデルが、ベースライン モデルよりも発現の表現型変数をより適切に説明できるかどうかを判断することに焦点を当てています。これは、対立遺伝子分析で補完できる発現量的形質遺伝子座 (eQTL) 研究の基礎です。対立遺伝子分析では、ヘテロ接合体の個人の読み取りを、同じ人の同じ細胞からの A を持つ 1 つの対立遺伝子を含むものと C を持つ別の対立遺伝子を含むものに分割します。 A 遺伝子型を、C 対立遺伝子よりも発現が高いと思われるこの対立遺伝子の対立遺伝子特異的発現と関連付けることにより、特定の SNP を考慮して、テストされている特定の領域の対立遺伝子特異的効果を見ることができます。講義では、応答 QTL と、特定の環境条件に応答して QTL を決定する際のその役割についても説明します。
00:55:00 このセクションでは、講演者は遺伝子解析の研究における因果推論法の使用について説明します。因果推論には、結果変数 y に対する変数 x の変更の影響を決定するための実験的介入が含まれます。目標は、条件付き確率が介入確率とほぼ等しくなるようにすることです。スピーカーは、到達可能性、条件付け、調整、および分離の概念についても説明します。因果関係のグラフィカル言語を使用することで、研究者は因果関係について質問し、因果経路と反因果経路を特定できます。バックドア パスの存在は、条件付き確率の解釈に影響を与え、相関関係が因果関係に等しいという誤解を生む可能性があります。
01:05:00 このセクションでは、講師がメンデル無作為化の概念と、それを使用して遺伝子型、中間表現型、および疾患表現型の間の関係を理解する方法について説明します。遺伝子型は見事にランダム化されているため、真の因果関係を簡単に推定できます。この方法は仮定に大きく依存していますが、遺伝子 eQTL および遺伝子 - 環境相互作用研究にうまく適用されています。さらに、講師は、ベータ回帰パラメーターと調停効果を推定する別の方法は、g の回帰 y と g の別の回帰 x を組み合わせることであると説明しています。最終的に、メンデルのランダム化は、実際には操作が難しい変数間の複雑な関係を理解するためのユニークな機会を提供します。
01:20:00 このセクションでは、スピーカーは、潜在的な結果のフレームワークと最先端の反事実推論手法による因果推論について説明します。彼らは、治療を受けたグループの重み付けが結果の違いをどのように説明できるか、および代入を使用して潜在的な結果を推定する方法を説明しています。また、スニップ行列を使用して複数の交絡因子を捕捉し、母集団 PC を使用してこれらの交絡効果を調整すること、およびベイジアン回帰木を使用して欠損データを代入する戦略を提案する最近の論文についても議論しています。これにより、個々の因果関係を測定して、治療の有効性を判断できます。
MIT 6.874/6.802/20.390/20.490/HST.506 Spring 2021 Prof. Manolis KellisDeep Learning in the Life Sciences / Computational Systems BiologyPlaylist: https://you...
00:00:00 このセクションでは、スピーカーはシステム遺伝学と電子医療記録のトピックを紹介します。彼らは、一般的およびまれなバリアント、多遺伝子リスクスコア、連鎖不平衡、および詳細なマッピングバリアントを含む、前の講義でカバーされた概念を簡単に確認します。講演者は、複数の SNP との非コード関連の大部分が原因で発生する、ゲノム全体の関連研究を解釈する際の課題について説明します。次に、ゲノム情報、RNA 情報、および変異情報を使用するとともに、配列機能のディープ ラーニング モデルを導入して、ドライバー遺伝子、領域、および細胞型を予測し、疾患遺伝子座の根底にある回路を理解します。講演者はまた、遺伝子型と共変量を使用して、対象の表現型に対する固定効果とランダム効果を予測する、GWAS と EQTL 呼び出しの両方に対する線形混合モデルの使用についても紹介します。
00:05:00 このセクションでは、講師は、遺伝的バリアントに基づいて人の表現型を予測するための基本的な基礎と、ゲノム内のすべての SNP およびコホート内のすべての個人にわたる各代替対立遺伝子の効果の大きさについて説明します。ノイズは、中心値がゼロで共分散行列が 2 乗された個人全体に分散されます。さらに、ランダム効果は、個人間の遺伝的共有を測定する親族マトリックスを使用して説明されます。ベイジアン アプローチは、すべての未知数を統合し、共分散行列によって駆動される表現型効果の確率を決定するために使用されます。線形混合モデルは、特定の形質の総遺伝率を推定するために構築されます。これは、無限小仮定に基づいており、制限された最尤モデルを使用して推定されます。この変量効果モデルは、実際の因果分散に関する知識がなくても、データの変換を捉えて機能します。
00:10:00 このセクションでは、講演者は、中間分子表現型の影響と SNP と発現の間の線形関係を予測することにより、追加の変動を捕捉する際の深層学習の使用について説明します。話者は、推定を取り巻く潜在的なノイズに一致する事前分布を使用してこれを行うことができると説明しています。これにより、最も好ましい結果を推測できます。彼らはまた、人口の違いの影響についても言及しており、遺伝マトリックスを駆動する最も強い影響は、人口の違いに直接起因しています。最後に、講演者は遺伝率の概念と、遺伝的関連性をゲノムのサブセットに分割することが遺伝率を計算するための強力なアプローチになり得る方法を説明し、染色体が長くなるほど、多くの複雑な形質についてより多くのバリアントが説明されることを示唆しています。
00:15:00 このセクションでは、ハーバード公衆衛生大学院の Alkes Price が SNP 遺伝率の概念を説明しています。これは、表現型と遺伝子型の関係に関して、集団全体で達成可能な最大値として定義されるパラメーターです。彼は、コーディング対非コーディングなど、SNP のさまざまな機能カテゴリ間で遺伝率を分割するという考えと、これが特定の疾患や組織における遺伝率がどの SNP に富むかについての結論にどのようにつながるかについて説明しています。 Price はまた、人体全体の疾患に重要な細胞タイプと細胞プロセスを研究するためのツールとして、層別 LD スコア回帰の概念を導入しています。
00:30:00 講義のこのセクションでは、回帰式を導入して、LD スコアを使用して SNP の遺伝率を推定します。回帰式の切片は交絡を反映し、勾配はカイ二乗統計量と LD スコアの間の相関を反映します。この勾配は SNP の遺伝率を推定するために使用でき、多重線形回帰のそれぞれの勾配は、さまざまな機能カテゴリの原因となる SNP の遺伝率について教えてくれます。量の濃縮は、特定の機能カテゴリによって説明される SNP 遺伝率の割合と、そのカテゴリの一部である SNP の割合を測定できます。勾配の機能的解釈は、機能カテゴリが重複しているかどうかによって異なります。
01:20:00 このセクションでは、スピーカーは、異なる集団の遺伝的バリアントを研究する場合、非ヨーロッパ人集団に特定のバリアントが存在しないことが効果量の不均一性に寄与する可能性があると説明しています。ただし、バリアントが複数の集団にまたがって存在する場合、効果の大きさはより均一になる傾向があります。リポタンパク質 a の例が与えられ、ヨーロッパの人口の分散に寄与する遺伝的変異体はアフリカの人口には存在せず、アフリカの人口ではパフォーマンスが低下するという説明があります.講演者はまた、英国バイオバンクの多遺伝子スコアとバイオトロピック効果に関連する研究プロジェクトに関心のある学生を監督する意欲を表明しています。
MIT 6.874/6.802/20.390/20.490/HST.506 Spring 2021 Prof. Manolis KellisDeep Learning in the Life Sciences / Computational Systems BiologyPlaylist: https://you...
00:10:00 講義のこのセクションでは、講演者は、ネットワーク解析とそのスペクトル表現に関する広範な作業の概要を説明します。説明する方法には、ラプラシアン行列の 1 番目と 2 番目の固有値に基づくネットワークの最大カットを使用してコンポーネントの分離可能性を識別すること、および拡散カーネルを使用して異なるエッジ間の情報の流れを理解することが含まれます。講演者は、講義で説明するグラフ ニューラル ネットワークなどの深層学習手法と組み合わせて使用できるため、この確立された文献を忘れないことの重要性を強調します。次に、講演者はゲスト講師の Neil Band を紹介します。Neil Band は、グラフ ニューラル ネットワークについて復習し、半教師あり学習、多関係データ、自然言語処理などの問題領域について説明します。
MIT 6.874/6.802/20.390/20.490/HST.506 Spring 2021 Prof. Manolis KellisGuest lecturers: Neil Band, Maria Brbic / Jure LeskovecDeep Learning in the Life Scienc...
00:50:00 ビデオでは、医薬品設計のための AI について説明しています。特に、相乗効果のある化合物を特定するためのディープ ラーニングの使用に焦点を当てています。目標は、相乗的で毒性の低い薬を見つけ、ウイルス複製サイクルの知識をモデルに組み込むことです。
00:55:00 講義では、さまざまな標的に対する薬物の抗ウイルス活性を予測するためにどのように使用できるかに焦点を当てて、薬物設計のためのディープ ラーニング手法について説明します。最初のステップは、Campbell と National Institute of Health のデータ セットを使用して、薬物標的相互作用を予測することです。次に、ニューラル ネットワークを使用して分子構造の表現を学習します。これは、医薬品設計プロセスの第 2 段階で必要となります。つまり、さまざまな標的に対する医薬品の抗ウイルス活性を予測します。深層学習と行列補完を組み合わせることで、医薬品設計を改善する可能性が強調されます。
01:00:00 この講義では、医薬品の設計、特に医薬品の組み合わせの抗ウイルス活性を予測するために、ディープラーニングをどのように使用できるかについて説明します。このモデルは、細胞ベースのアッセイを使用して in vivo でテストされ、2 つの新しい相乗的な薬物の組み合わせが特定されました。
MIT 6.874/6.802/20.390/20.490/HST.506 Spring 2021 Prof. Manolis KellisGuest lecture: Wengong JinDeep Learning in the Life Sciences / Computational Systems Bi...
MIT 6.874/6.802/20.390/20.490/HST.506 Spring 2021 Prof. Manolis KellisGuest lecturers: Bruno Correia, Jinbo Xu, Mohammed AlQuraishiDeep Learning in the Life ...
01:00:00 講義のこのセクションでは、スピーカーは、病理学の機械学習における実験のバッチ間および細胞間の不均一性に対処するチームの試みについて説明します。彼らはニューラルネットを使用しようとしましたが、可変データのために機能しませんでした。次に、共同研究者である Google の Mike Ando によって開発された典型的変動正規化 (TVN) と呼ばれる方法を使用して、各実験の未処理対照の主成分分析 (PCA) によって生成された共分散行列を調整し、非生物学的変動を減らしました。彼らはまた、細胞間の不均一性測定基準を組み込み、PCA の使用から k 最近傍アプローチに移行して、微妙な形態学的変化を捉えました。彼らは脆弱性を回避するために確率論的アプローチを使用し、分類試験ごとに新しい未処理の対照群を選択しました。
MIT 6.874/6.802/20.390/20.490/HST.506 Spring 2021 Prof. Manolis KellisDeep Learning in the Life Sciences / Computational Systems BiologyGuest Lecturers: Anan...
遺伝子発現予測 - 講義 09 - 生命科学における深層学習 (2021 年春)
遺伝子発現予測 - 講義 09 - 生命科学における深層学習 (2021 年春)
このビデオでは、遺伝子発現予測におけるディープ ラーニングの使用と、高次元性やノイズなどの生物学的データ セットの分析に伴う課題について説明しています。講義では、クラスター分析、行列の低ランク近似、圧縮センシングなどの方法論について説明します。スピーカーはまた、遺伝子発現予測とクロマチンのための深層学習の使用、およびエンハンサー活性部位を予測するための弱教師あり学習についても話します。この講義では、danq、djgx、factory mat、sc fin など、主に深層学習手法を使用して開発されたいくつかのツールについて説明します。プレゼンターは、ゲノミクス データ セットを研究するための生成モデルの使用についても説明し、近似推論方法論、特に変分推論と呼ばれる一般的な方法論を紹介します。
講演の第 2 部では、講演者は生命科学、特に遺伝子発現予測とゲノム解釈における深層学習の応用について説明します。最初のトピックでは、バリエーション オートエンコーダー モデルを喘息データセットの RNA 発現解析に適用することに焦点を当てています。講演者は、条件付き生成モデルを使用して実験的アーティファクトを削除するためのフレームワークを提案します。 2 番目のトピックでは、ゲノム解釈、特にスプライシングのための配列から機能へのモデルを特定するための深層学習ネットワークへのイルミナの投資について説明します。同社は、ヌクレオチドがスプライスのドナー、アクセプター、またはどちらでもないかを予測するディープ畳み込みニューラル ネットワークである SpliceAI を開発しました。 3 番目のトピックは、特定の変異が潜在的なスプライス機能を持ち、フレーム シフトや病気につながるかどうかを予測するというスピーカーの研究についてです。講演者はまた、研究職、インターンシップ、およびポスドクについての質問と応募を求めています。
単一細胞ゲノミクス - 講義 10
単一細胞ゲノミクス - 講義 10 - 生命科学におけるディープラーニング (2021 年春)
単一細胞ゲノミクスに関するこの講義では、スピーカーは、セルソーティングやマイクロフルイディクスなど、個々の細胞のプロファイリングに使用されるさまざまな方法と技術について説明します。 Smart-seq、drop-seq、およびプールされたアプローチの 3 つの特定の単一細胞シーケンシング技術に焦点を当てています。講演者は、前処理、可視化、クラスタリング、注釈などの単一細胞トランスクリプトームの分析プロセス、およびコミュニティ クラスタリングにおけるオートエンコーダー アーキテクチャの使用についても説明します。深層学習法は、ドメインの適応と刺激された方法で細胞型を再構築するために適用されます。講義では、単一細胞ゲノミクス データの分析に伴う課題についても説明し、生成モデルを使用してこれらの問題にスケーラブルかつ一貫した方法で対処することを提案します。
ビデオの 2 番目の部分では、単一細胞ゲノミクスとディープ ラーニングに関連するさまざまなトピックを取り上げます。議論されるトピックには、変分推論、単一細胞 RNA 配列決定データの生成プロセス、細胞型データセットを混合するための SCVI モデル、ラベルを伝播するための CanVAE、および CVI ツールと呼ばれる単一のコード ベースでのさまざまな深層学習アルゴリズムの実装が含まれます。講演者はまた、事後確率を使用して遺伝子発現の測定値を計算する際の課題に取り組み、事後期待値を正確に計算して完全な発見率を制御する方法を提示します。
次元削減 - 講義 11
次元削減 - 講義 11 - 生命科学における深層学習 (2021 年春)
ライフ サイエンスにおけるディープ ラーニングに関するビデオ講義では、単一細胞データ解析におけるクラスタリングと分類のための次元削減手法について説明します。講義では、教師あり学習と教師なし学習を区別し、遺伝子の発現差を評価するための統計的仮説検定フレームワークの使用を探ります。講義では、主成分分析、固有値分解、特異値分解を使用した線形次元削減のための多様体学習の概念を紹介し、クラスタリング データ保存のための t 分布確率近傍埋め込みと分散確率近傍埋め込みの方法について説明します。講演者は、ゲノムデータへの非負行列因子分解の適用と、単一細胞およびマルチオミックデータセットの統合についても説明します。これらの技術の最終的な目標は、公平で定量的な方法で細胞の種類とアイデンティティを再定義することです。
第 2 部では、次元削減に関連するいくつかのトピック、特に生命科学への応用について説明します。統合非負行列因子分解 (iNMF) を使用して、トランスクリプトームとエピゲノムのプロファイルをリンクし、さまざまなコンテキストで細胞のアイデンティティをよりよく理解します。また、特に大規模なデータセットの場合に、ディープ ラーニングでミニバッチ アプローチを使用する利点と、オンライン アルゴリズムを活用して大規模なデータセットを分析するための次元削減方法を改善する方法についても説明します。さらに、RNA-seq や ATAC-seq データなど、さまざまな種類のデータを統合するアルゴリズムが導入されています。最後に、スピーカーは、この分野に関心のある学生の指導者としての役割を果たす意欲を表明します。全体として、講義は有益で好評でした。
疾患回路解剖 GWAS - 講義 12
疾患回路解剖 GWAS - 講義 12 - 生命科学における深層学習 (2021 年春)
疾患回路解析 GWAS に関するこのビデオでは、ヒト遺伝学の基礎、解釈のための計算上の課題、およびゲノムワイド関連研究 (GWAS) で調べられたさまざまな種類の遺伝的変異について説明します。このビデオでは、メンデル マッピング、連鎖解析、疾患に関連する一塩基多型 (SNP) の同定などの方法論についても説明します。さらに、講演者はカイ 2 乗統計、マンハッタン プロット、および QQ プロットを使用して、疾患の表現型に大きく関連するゲノム領域を視覚化する方法について説明します。このビデオには、FTO 遺伝子に関するケーススタディと、肥満におけるそのメカニズムの意味について、FTO 遺伝子がどのように包括的に分析されたかも含まれています。肥満との遺伝的関連を理解する上での課題と、この問題に取り組むための手順についても説明します。
講義では、ゲノム変異が人間の健康に与える影響を研究することの課題と、突然変異がさまざまな細胞型にどのように影響するかを理解することの重要性について説明します。講演者は、特に転写因子の結合とクロマチンの構成の予測に関連して、ゲノム配列と変異の影響を予測するためのディープ ラーニング アプローチについて概説します。彼らはまた、深く配列決定されたゲノム データセットを使用して DNA 感受性とヒストン マーク QTL を予測し、ディープ ラーニングを使用して遺伝子発現や自閉症などの人間の病気に及ぼす影響を予測するこれらの予測の評価についても説明しています。最後に、既知の遺伝子セットの偏りのない分析と、ディープ ラーニング シーケンス モデル ライブラリの使用について説明します。
GWAS メカニズム - 講義 13
GWASの仕組み - 講義13 - 生命科学における深層学習 (2021年春)
Deep Learning in Life Sciences シリーズの GWAS メカニズムに関する講義では、複雑な形質に関与する非コード遺伝子バリアントの機能を理解するためのさまざまな方法について説明します。この講義では、エピゲノム アノテーションとディープ ラーニング モデルを使用して、特定の疾患の遺伝的に関連する領域全体のグローバル プロパティを特定する方法について説明します。また、さまざまな組織やエンハンサーにまたがるエンリッチメントについても説明し、遺伝子座内の原因となる SNP を予測するために、これらを経験的事前確率に変換する方法について説明します。講義では、遺伝子発現やメチル化などの中間分子表現型を使用して、ゲノム全体の関連研究における因果関係を研究する方法、および遺伝子型と発現の個人的構成要素を組み合わせて発現の表現型変数を説明する方法についても説明します。最後に、講義では、因果推論手法を使用して、結果変数に対する変数の変更の影響を判断し、因果経路と反因果経路を特定する方法を調べます。
このビデオの講師は、ゲノミクス研究における因果関係を推測するためのさまざまな手法について説明しています。それらは、因果関係を確立する方法として、d分離の概念と、遺伝学における自然ランダム化の使用をカバーしています。講師は、メンデルのランダム化とルービンの準推論モデル、および因果推論の潜在的な結果方法についても説明します。彼らは、観察研究における代入とバイアスの調整の課題に触れています。講演者はまた、堅牢な因果アルゴリズムを開発するために複数の直交証拠を使用することの重要性を強調しています。さらに、遺伝子発現を摂動させてネットワークを学習するための遺伝学の使用について説明し、データ内の因果構造を特定する方法として不変性条件を導入します。講義では、因果推論のためにゲノミクス研究で使用されるさまざまな手法とツールの包括的な概要を提供します。
システム遺伝学 - 講義 14
システム遺伝学 - 講義 14 - 生命科学における深層学習 (2021 年春)
システム遺伝学と深層学習に関するこの講義では、講演者は、SNP 遺伝率、遺伝率の分割、層別 LD スコア回帰、分子表現型解析における深層学習など、いくつかのトピックを取り上げます。彼らはまた、数千の表現型を持つ約 500,000 人の英国のバイオバンク データセットを分析するために、電子カルテ、ゲノム関連研究、およびゲノミクスの使用を調査しています。講師は、ディープ ラーニング モデルをシーケンス関数予測に使用して疾患遺伝子座の回路を理解する方法と、GWAS および EQTL 呼び出しのための線形混合モデルの使用について説明します。また、深層学習におけるモデルの仮定の偏りや違反にも触れ、疾患に重要な細胞型を推測する際の細胞型固有の規制注釈の重要性を強調しています。最後に、講師は負の選択と因果効果の大きさに関連する調査結果の複雑さについて議論し、スタンフォード大学のマヌエル・リバス教授を紹介して、遺伝的関連の分解について議論します。
講義では、形質の組成と寄与成分の定量化、脂肪生成または脂肪分解に寄与する遺伝的変異体の特定、遺伝子機能に強い影響を与えて疾患リスクを低下させる突然変異の特定、および多変量解析を使用したリスク予測モデル。さらに、講義では、さまざまなバイオマーカーにおける多遺伝子リスクスコアモデルの適用について説明し、特にヨーロッパ以外の集団の場合、予測精度を向上させるために異なる集団間でデータを共有する必要性を強調しています。講義は、英国バイオバンクの多遺伝子スコアとバイオトロピック効果に関連する研究プロジェクトに関心のある学生を監督する意欲を表明することで締めくくられます。
グラフ ニューラル ネットワーク - 講義 15
グラフ ニューラル ネットワーク - 講義 15 - 生命科学の学習 (2021 年春)
グラフ ニューラル ネットワークに関するこの YouTube レクチャーでは、スピーカーは、グラフ ネットワークの基本、スペクトル表現、半教師付き分類、多関係データ モデリングなど、幅広いトピックを取り上げます。また、グラフ ネットワークと自然言語処理の交差点、および創薬のためのグラフの生成方法にも焦点が当てられています。講師は、予測タスクに使用できる有用なノード埋め込みを取得するために、グラフ全体に情報を伝達するさまざまな方法について説明します。講義では、GNN の対照学習の重要性、パッチベースの表現と注意ベースの方法を組み合わせることの潜在的な利点、および NLP での変換アプローチの使用についても強調しています。講義の後半では、創薬における GNN の実用的な使用法と、ジャンクション ツリーを使用して分子の構造をエンコードおよびデコードする方法を紹介する論文に焦点を当てます。
このビデオでは、創薬や潜在グラフ推論など、ライフ サイエンスにおけるグラフ ニューラル ネットワーク (GNN) の複数のアプリケーションについて説明します。スピーカーは、空間的局所性の欠如や固定順序など、GNN の問題と潜在的な手段を強調し、考慮される設定には、特定のノードのタイプの予測、2 つのノード間のリンクの予測、2 つのノードまたは 2 つのネットワーク間の類似性の測定が含まれます。 、ネットワーク内のコミュニティ検出を実行してノードをクラスタリングします。講師は、GNN が効率的にグラフをトレーニングして埋め込み、情報を変換および集約し、ポリファーマシーの副作用に対処する方法についても説明します。さらに、この講義では、生命科学における表現を自動的に学習するための 2 つの方法について説明します。MARS のようなメタ学習モデルを利用して、新しい細胞タイプに一般化します。最後に、講義では、GNN が複数のデータセットにわたって潜在的な細胞表現を学習して、細胞型の不均一性を捉える方法について説明します。
医薬品設計のための AI - 講義 16
AI for Drug Design - 講義 16 - ライフ サイエンスにおけるディープ ラーニング (2021 年春)
この講義では、創薬における深層学習の使用について説明します。深層学習を使用して、抗生物質耐性を持つ新規化合物を見つける方法について説明します。また、生物学的知識を組み込むことで、深層学習モデルをどのように改善できるかについても説明します。
講義のこの 2 番目の部分では、医薬品の設計、特に医薬品の組み合わせの抗ウイルス活性を予測するためにディープ ラーニングを使用する方法の概要を説明します。このモデルは、細胞ベースのアッセイを使用して in vivo でテストされ、2 つの新しい相乗的な薬物の組み合わせが特定されました。
タンパク質フォールディングの深層学習 - 講義 17
タンパク質フォールディングのディープ ラーニング - 講義 17 - ライフ サイエンスにおける MIT ディープ ラーニング (2021 年春)
このビデオでは、タンパク質フォールディングの分野におけるディープ ラーニングの使用について説明します。具体的には、幾何学的ディープ ラーニングを使用してタンパク質構造を研究し、リガンド結合部位やタンパク質間相互作用などを予測する方法について説明します。このビデオでは、テンプレート ベースとテンプレートを使用しないモデリング手法、タンパク質フォールディングにおける接触予測のさまざまなアプローチ、およびタンパク質構造予測における画像モデリングのための残差ニューラル ネットワークの使用についても説明します。全体として、スピーカーは、タンパク質の構造とその機能の理解を深める上でのディープラーニングの可能性を強調し、この主張を裏付ける詳細な例と結果を提供します.
このビデオでは、正確なモデリングのための共進化予測とテンプレートの使用、より優れた同族体を見つけることの重要性、従来の物理学ベースの手法に頼らずに同等の結果を達成するためのディープ ラーニングの可能性など、タンパク質フォールディングのディープ ラーニングへのさまざまなアプローチについて説明します。メソッド。スピーカーはまた、微分可能な出力の使用とグローバル精度の重要性、アルゴリズム空間の進化、および遺伝的変異や小分子などの要因に基づいてタンパク質の確認を予測するディープラーニングの可能性についても掘り下げます。全体として、このビデオは、ディープ ラーニングがタンパク質構造予測とその多くのアプリケーションに革命をもたらす可能性を強調しています。
病理学のための機械学習 - 講義 19
病理学のための機械学習 - 講義 19 - 生命科学における MIT 深層学習 (2021 年春)
講義では、計算病理学における深層学習の応用のさまざまな側面について説明します。これには、技術の課題と制限が含まれます。講演者は、アルゴリズムを盲目的に信頼する際の注意の必要性について議論し、ネットワークが何を学習しているかを理解することの重要性を強調します。この講義では、癌の診断、予後、および治療反応評価でディープラーニングがどのように使用され、精密医療のための予後および予測ツールを開発するかについて、いくつかの例を探ります。講演者はまた、結核の多剤治療の開発における課題について議論し、この問題に取り組むためのさまざまなラボ プロジェクトを提案します。全体として、講義は病理学における深層学習の可能性を強調すると同時に、深層学習の限界と、臨床現場での効果的な展開を確実にするための学際的なアプローチの必要性を認めています。
「病理学のための機械学習 - 講義 19 - 生命科学における MIT 深層学習 (2021 年春)」というタイトルのこの YouTube ビデオで、スピーカーは、典型的な変動正規化 (TVN) と k 最近傍アプローチ。彼らはまた、形態学的プロファイリングを使用して細菌への影響に基づいて薬物を分類し、教師あり学習と教師なし学習の両方を使用して薬物の組み合わせを設計および優先順位付けするためのデータ駆動型アプローチの開発についても説明しています。さらに、スピーカーは、薬の相乗効果と拮抗作用の研究への貢献に対して彼女の研究室のメンバーに感謝し、この分野での研究を理解し前進させるためのより大きな文脈を考慮することの重要性を強調しています.