論文の概要: Machine Learning in Nano-Scale Biomedical Engineering
- arxiv url: http://arxiv.org/abs/2008.02195v2
- Date: Wed, 21 Oct 2020 14:58:20 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-02 19:05:45.087467
- Title: Machine Learning in Nano-Scale Biomedical Engineering
- Title(参考訳): ナノスケールバイオメディカルエンジニアリングにおける機械学習
- Authors: Alexandros-Apostolos A. Boulogeorgos, Stylianos E. Trevlakis, Sotiris
A. Tegos, Vasilis K. Papanikolaou, and George K. Karagiannidis
- Abstract要約: ナノスケールバイオメディカルエンジニアリングにおける機械学習の利用に関する既存の研究について概説する。
ML問題として定式化できる主な課題は、3つの主要なカテゴリに分類される。
提示された方法論のそれぞれについて、その原則、応用、制限に特に重点を置いている。
- 参考スコア(独自算出の注目度): 77.75587007080894
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Machine learning (ML) empowers biomedical systems with the capability to
optimize their performance through modeling of the available data extremely
well, without using strong assumptions about the modeled system. Especially in
nano-scale biosystems, where the generated data sets are too vast and complex
to mentally parse without computational assist, ML is instrumental in analyzing
and extracting new insights, accelerating material and structure discoveries,
and designing experience as well as supporting nano-scale communications and
networks. However, despite these efforts, the use of ML in nano-scale
biomedical engineering remains still under-explored in certain areas and
research challenges are still open in fields such as structure and material
design and simulations, communications and signal processing, and bio-medicine
applications. In this article, we review the existing research regarding the
use of ML in nano-scale biomedical engineering. In more detail, we first
identify and discuss the main challenges that can be formulated as ML problems.
These challenges are classified into the three aforementioned main categories.
Next, we discuss the state of the art ML methodologies that are used to
countermeasure the aforementioned challenges. For each of the presented
methodologies, special emphasis is given to its principles, applications, and
limitations. Finally, we conclude the article with insightful discussions, that
reveal research gaps and highlight possible future research directions.
- Abstract(参考訳): 機械学習(ML)は、モデル化されたシステムに関する強い仮定を使わずに、利用可能なデータを非常にうまくモデリングすることで、バイオメディカルシステムのパフォーマンスを最適化する能力を持つ。
特に、生成したデータセットが巨大で複雑すぎて、計算補助なしで精神的に解析できないナノスケールのバイオシステムでは、MLは新しい洞察を分析し、抽出し、材料と構造発見を加速し、ナノスケールの通信やネットワークをサポートする。
しかしながら、ナノスケールのバイオメディカルエンジニアリングにおけるMLの使用はいまだ研究が進んでおらず、構造・材料設計・シミュレーション、通信・信号処理、バイオメディカル応用などの分野で研究課題がまだ開かれている。
本稿では,ナノスケールバイオメディカルエンジニアリングにおけるMLの利用に関する既存研究について概説する。
より詳しくは、ML問題として定式化できる主な課題を特定し、議論する。
これらの課題は、前述の3つの主なカテゴリに分類される。
次に,上記の課題に対処するために使用されるアートML手法の現状について論じる。
提示された方法論のそれぞれについて、その原則、応用、および制限に特別に重点が置かれている。
最後に,研究のギャップを明らかにし,今後の研究方向性を明らかにする,洞察に富んだ議論をまとめる。
関連論文リスト
- Integrating Chemistry Knowledge in Large Language Models via Prompt Engineering [2.140221068402338]
本稿では,科学領域における大規模言語モデル(LLM)の性能向上を目的として,ドメイン固有の知識の統合について検討する。
ベンチマークデータセットは、小さな分子の複雑な物理化学的性質、薬理学の薬物性、酵素や結晶材料の機能的特性に適合する。
提案したドメイン知識組み込みのプロンプトエンジニアリング手法は,従来のプロンプトエンジニアリング手法よりも優れた性能を発揮する。
論文 参考訳(メタデータ) (2024-04-22T16:55:44Z) - An Evaluation of Large Language Models in Bioinformatics Research [52.100233156012756]
本研究では,大規模言語モデル(LLM)の性能について,バイオインフォマティクスの幅広い課題について検討する。
これらのタスクには、潜在的なコーディング領域の同定、遺伝子とタンパク質の命名されたエンティティの抽出、抗微生物および抗がんペプチドの検出、分子最適化、教育生物情報学問題の解決が含まれる。
以上の結果から, GPT 変種のような LLM がこれらのタスクの多くをうまく処理できることが示唆された。
論文 参考訳(メタデータ) (2024-02-21T11:27:31Z) - Progress and Opportunities of Foundation Models in Bioinformatics [77.74411726471439]
基礎モデル(FM)は、特に深層学習の領域において、計算生物学の新しい時代に定着した。
我々の焦点は、特定の生物学的問題にFMを応用することであり、研究ニーズに適切なFMを選択するために研究コミュニティを指導することを目的としています。
データノイズ、モデル説明可能性、潜在的なバイアスなど、生物学においてFMが直面する課題と限界を分析します。
論文 参考訳(メタデータ) (2024-02-06T02:29:17Z) - Diversifying Knowledge Enhancement of Biomedical Language Models using
Adapter Modules and Knowledge Graphs [54.223394825528665]
我々は、軽量なアダプターモジュールを用いて、構造化された生体医学的知識を事前訓練された言語モデルに注入するアプローチを開発した。
バイオメディカル知識システムUMLSと新しいバイオケミカルOntoChemの2つの大きなKGと、PubMedBERTとBioLinkBERTの2つの著名なバイオメディカルPLMを使用している。
計算能力の要件を低く保ちながら,本手法がいくつかの事例において性能改善につながることを示す。
論文 参考訳(メタデータ) (2023-12-21T14:26:57Z) - Causal machine learning for single-cell genomics [94.28105176231739]
単細胞ゲノミクスへの機械学習技術の応用とその課題について論じる。
まず, 単一細胞生物学における現在の因果的アプローチの基盤となるモデルについて述べる。
次に、単一セルデータへの因果的アプローチの適用におけるオープンな問題を特定する。
論文 参考訳(メタデータ) (2023-10-23T13:35:24Z) - Machine Learning for Uncovering Biological Insights in Spatial
Transcriptomics Data [0.0]
マルチセルシステムの開発とホメオスタシスは、空間分子パターンの形成と維持に精巧な制御を必要とする。
空間転写学(ST)の進歩は、革新的な機械学習(ML)ツールの急速な開発につながっている。
MLが対応できる主要なST分析目標と現在の分析トレンドを要約する。
論文 参考訳(メタデータ) (2023-03-29T14:22:08Z) - Interpretability from a new lens: Integrating Stratification and Domain
knowledge for Biomedical Applications [0.0]
本稿では, バイオメディカル問題データセットの k-fold cross-validation (CV) への階層化のための新しい計算手法を提案する。
このアプローチはモデルの安定性を改善し、信頼を確立し、トレーニングされたIMLモデルによって生成された結果の説明を提供する。
論文 参考訳(メタデータ) (2023-03-15T12:02:02Z) - Knowledge-augmented Graph Machine Learning for Drug Discovery: A Survey [6.288056740658763]
グラフ機械学習(GML)は、グラフ構造化バイオメディカルデータをモデル化する優れた能力で注目されている。
近年の研究では、より正確で解釈可能な薬物発見を実現するために、外部のバイオメディカル知識をGMLパイプラインに統合することを提案した。
論文 参考訳(メタデータ) (2023-02-16T12:38:01Z) - Machine learning in bioprocess development: From promise to practice [58.720142291102135]
機械学習(ML)アプローチのようなデータ駆動の手法は、大きな設計空間を合理的に探索する可能性が高い。
本研究の目的は,これまでのバイオプロセス開発におけるML手法の適用例を示すことである。
論文 参考訳(メタデータ) (2022-10-04T13:48:59Z) - Functional Nanomaterials Design in the Workflow of Building
Machine-Learning Models [0.0]
機械学習(ML)技術は、化学と材料科学の多くの研究分野に革命をもたらした。
MLは、分子/物質の組み合わせに関するより包括的な洞察を提供する。
ナノマテリアル発見の進歩の鍵は、入力指紋と出力値を定量的にリンクする方法である。
論文 参考訳(メタデータ) (2021-08-16T05:51:03Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。