論文の概要: Machine Learning Applications for Therapeutic Tasks with Genomics Data

• arxiv url: http://arxiv.org/abs/2105.01171v1
• Date: Mon, 3 May 2021 21:20:20 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-05 12:44:09.771028
• Title: Machine Learning Applications for Therapeutic Tasks with Genomics Data
• Title（参考訳）: ゲノミクスデータを用いた治療課題のための機械学習応用
• Authors: Kexin Huang, Cao Xiao, Lucas M. Glass, Cathy W. Critchlow, Greg Gibson, Jimeng Sun
• Abstract要約: ゲノム学の機械学習応用に関する文献を、治療開発のレンズでレビューします。 治療パイプライン全体にわたるゲノミクス応用における22の機械学習を同定する。 この分野における7つの重要な課題を、拡大と影響の機会として挙げる。
• 参考スコア（独自算出の注目度）: 49.98249191161107
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Thanks to the increasing availability of genomics and other biomedical data, many machine learning approaches have been proposed for a wide range of therapeutic discovery and development tasks. In this survey, we review the literature on machine learning applications for genomics through the lens of therapeutic development. We investigate the interplay among genomics, compounds, proteins, electronic health records (EHR), cellular images, and clinical texts. We identify twenty-two machine learning in genomics applications across the entire therapeutics pipeline, from discovering novel targets, personalized medicine, developing gene-editing tools all the way to clinical trials and post-market studies. We also pinpoint seven important challenges in this field with opportunities for expansion and impact. This survey overviews recent research at the intersection of machine learning, genomics, and therapeutic development.
• Abstract（参考訳）: ゲノミクスや他の生物医学データの可用性の高まりにより、様々な治療的発見と開発タスクのために多くの機械学習アプローチが提案されている。 本稿では,治療発展のレンズを通して,ゲノム学の機械学習応用に関する文献を概観する。 ゲノム,化合物,タンパク質,電子健康記録(EHR),細胞画像,臨床テキストの相互作用について検討した。 我々は、治療パイプライン全体にわたるゲノム学応用における22の機械学習を特定し、新規ターゲットの発見、パーソナライズドメディカルな医療、遺伝子編集ツールの開発、臨床治験、市場後の研究までを含む。 また、この分野における7つの重要な課題を、拡大と影響の機会として指摘します。 本調査は, 機械学習, ゲノム学, 治療開発における最近の研究を概観する。

関連論文リスト

• Artificial Intelligence for Microbiology and Microbiome Research [3.4014872469607695]
  機械学習とディープラーニングの応用を通して、ブレイクスルーを経験する微生物学と微生物研究。 このレビューでは、微生物学および微生物学研究に適したAI駆動アプローチの概要を概観する。
  論文  参考訳（メタデータ） (2024-11-02T01:03:43Z)
• Large Language Models in Drug Discovery and Development: From Disease Mechanisms to Clinical Trials [49.19897427783105]
  大規模言語モデル(LLM)の創薬・開発分野への統合は、重要なパラダイムシフトである。 これらの先進的な計算モデルが、ターゲット・ディスリーズ・リンクを明らかにし、複雑なバイオメディカルデータを解釈し、薬物分子設計を強化し、薬物の有効性と安全性を予測し、臨床治験プロセスを促進する方法について検討する。
  論文  参考訳（メタデータ） (2024-09-06T02:03:38Z)
• CRISPR-GPT: An LLM Agent for Automated Design of Gene-Editing Experiments [51.41735920759667]
  大規模言語モデル(LLM)は様々なタスクにおいて有望であるが、しばしば特定の知識が欠如し、生物学的設計の問題を正確に解くのに苦労する。 本研究では,CRISPRに基づく遺伝子編集実験の設計プロセスを自動化するために,ドメイン知識と外部ツールを付加したLCMエージェントであるCRISPR-GPTを紹介する。
  論文  参考訳（メタデータ） (2024-04-27T22:59:17Z)
• 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)
• Toward a Team of AI-made Scientists for Scientific Discovery from Gene Expression Data [9.767546641019862]
  我々は、科学的な発見パイプラインを合理化するために設計された新しいフレームワーク、AIマニュフェストチーム(TAIS)を紹介する。 TAISは、プロジェクトマネージャ、データエンジニア、ドメインエキスパートを含むシミュレートされた役割で構成され、それぞれがLLM(Large Language Model)によって表現される。 これらの役割は、典型的にはデータ科学者が行うタスクを再現するために協力し、疾患予測遺伝子を特定することに焦点を当てている。
  論文  参考訳（メタデータ） (2024-02-15T06:30:12Z)
• Artificial Intelligence for Digital and Computational Pathology [8.255348228685682]
  組織スライドのデジタル化の進展と人工知能の急速な進歩は、計算病理学の分野を加速させた。 本総説では, クリニカルエンドポイントの予測手法の進歩を概説する。 これらの開発が臨床の自動化と新しいバイオマーカーの発見を可能にしている点を強調している。
  論文  参考訳（メタデータ） (2023-12-13T00:22:52Z)
• 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)
• A review of machine learning approaches, challenges and prospects for computational tumor pathology [1.2036642553849346]
  腫瘍計算病理学は、データ統合、ハードウェア処理、ネットワーク共有帯域幅、機械学習技術に挑戦する。 本稿では,病的・技術的観点から,計算病理学における前処理手法について検討する。 計算病理学応用における機械学習の課題と展望について論じる。
  論文  参考訳（メタデータ） (2022-05-31T14:56:01Z)
• Machine Learning and Deep Learning Methods for Building Intelligent Systems in Medicine and Drug Discovery: A Comprehensive Survey [0.0]
  Artificail Intelligenceベースのフレームワークは、医療業界に急速に革命をもたらしている。 これらのインテリジェントシステムは、機械学習とディープラーニングに基づく、疾患の早期診断のための堅牢なモデルで構築されている。 本稿では,16の専門分野にわたる機械学習と深層学習の応用に関する調査に焦点をあてる。
  論文  参考訳（メタデータ） (2021-07-19T14:26:03Z)
• Machine Learning in Nano-Scale Biomedical Engineering [77.75587007080894]
  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。
  論文  参考訳（メタデータ） (2020-08-05T15:45:54Z)

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。