ConCreT是一种用于分类学分类的2D卷积神经网络,应用于科Cressdnaviricota的病毒
Ruither A L Gomes1, F Murilo Zerbini1
1Dep. de Fitopatologia, Universidade Federal de Viçosa, Viçosa, MG 36570-900, Brazil; National Institute for Science and Technology on Plant-Pest Interactions, Universidade Federal de Viçosa, Viçosa, MG 36570-900, Brazil.
科学家们开发了ConCreT,这是一种用于病毒分类的机器学习工具. 这种卷积神经网络在分类Cressdnaviruses时达到98%以上的准确性,解决了对高效自动病毒识别的需求.
科学领域:
- 病毒学 病毒学
- 生物信息学是一种生物信息学.
- 机器学习 机器学习
背景情况:
- 准确的分类学分配对于病毒学中的科学传播至关重要.
- 新型病毒的快速发现需要自动化分类工具,特别是将其分类到属和物种水平.
- 现有的机器学习工具可能是计算密集型,突出需要更高效的替代方案.
研究的目的:
- 为自动化病毒分类学开发一个计算效率高的机器学习工具.
- 测试2D卷积神经网络在科Cressdnaviricota中的病毒分类的有效性.
- 为了应对病毒数据集中不平衡物种代表性的挑战.
主要方法:
- 2D卷积神经网络 (CNN) 架构的开发.
- 应用针对不平衡的病毒数据集量身定制的数据增强技术.
- 在Cressdnaviricota族的病毒上测试CNN模型以进行分类学分类.
主要成果:
- 开发的工具名为ConCreT (Cressdnavirus分类的卷积神经网络),在分类Cressdnaviruses时取得了>98%的准确性.
- 一种混合方法,将不平衡组的增强和平衡组没有增强相结合,产生了最好的表现.
- 该模型在将病毒分类到属和物种等级方面表现出有效性.
结论:
- ConCreT为自动化病毒分类,特别是Cressdnaviruses提供了一个高度准确和高效的解决方案.
- 该研究强调了定制机器学习方法的潜力,以应对诸如病毒分类中的数据不平衡等挑战.
- 这个工具可以帮助研究人员管理越来越多的病毒数据从metagenomic研究.
更多相关视频
08:56Combining Analysis of DNA in a Crude Virion Extraction with the Analysis of RNA from Infected Leaves to Discover New Virus Genomes
Published on: July 27, 2018
09:34A Virtual Machine Platform for Non-Computer Professionals for Using Deep Learning to Classify Biological Sequences of Metagenomic Data
Published on: September 25, 2021
相关概念视频
Viruses with RNA Genomes
Viruses of Archaea
Introduction to Virus
Bacterial Phylum Chlamydiae
Size and Structure of Viral Genomes
Microbial Classification System
