論文の概要: Automated Biodesign Engineering by Abductive Meta-Interpretive Learning
- arxiv url: http://arxiv.org/abs/2105.07758v1
- Date: Mon, 17 May 2021 12:10:26 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-18 15:04:29.424681
- Title: Automated Biodesign Engineering by Abductive Meta-Interpretive Learning
- Title（参考訳）: 帰納的メタ解釈学習によるバイオデザインの自動化
- Authors: Wang-Zhou Dai, Liam Hallett, Stephen H. Muggleton, Geoff S. Baldwin
- Abstract要約: Abductive Meta-Interpretive Learning($Meta_Abd$)を活用した自動バイオデザインエンジニアリングフレームワークを提案します。
本稿では,Abductive Meta-Interpretive Learning(Meta_Abd$)を活用したバイオデザイン自動工学フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 8.788941848262786
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: The application of Artificial Intelligence (AI) to synthetic biology will
provide the foundation for the creation of a high throughput automated platform
for genetic design, in which a learning machine is used to iteratively optimise
the system through a design-build-test-learn (DBTL) cycle. However, mainstream
machine learning techniques represented by deep learning lacks the capability
to represent relational knowledge and requires prodigious amounts of annotated
training data. These drawbacks strongly restrict AI's role in synthetic biology
in which experimentation is inherently resource and time intensive. In this
work, we propose an automated biodesign engineering framework empowered by
Abductive Meta-Interpretive Learning ($Meta_{Abd}$), a novel machine learning
approach that combines symbolic and sub-symbolic machine learning, to further
enhance the DBTL cycle by enabling the learning machine to 1) exploit domain
knowledge and learn human-interpretable models that are expressed by formal
languages such as first-order logic; 2) simultaneously optimise the structure
and parameters of the models to make accurate numerical predictions; 3) reduce
the cost of experiments and effort on data annotation by actively generating
hypotheses and examples. To verify the effectiveness of $Meta_{Abd}$, we have
modelled a synthetic dataset for the production of proteins from a three gene
operon in a microbial host, which represents a common synthetic biology
problem.
- Abstract（参考訳）: 人工知能(ai)を合成生物学に応用することで、遺伝子設計のための高スループットな自動化プラットフォームを構築するための基盤となり、学習機械を用いて設計-ビルド-テスト-リール(dbtl)サイクルを通じてシステムを反復的に最適化する。
しかし、ディープラーニングで表現される主流の機械学習技術は、関係知識を表現する能力がなく、大量の注釈付きトレーニングデータを必要とする。
これらの欠点は、実験が本質的に資源と時間集約である合成生物学におけるAIの役割を強く制限する。
In this work, we propose an automated biodesign engineering framework empowered by Abductive Meta-Interpretive Learning ($Meta_{Abd}$), a novel machine learning approach that combines symbolic and sub-symbolic machine learning, to further enhance the DBTL cycle by enabling the learning machine to 1) exploit domain knowledge and learn human-interpretable models that are expressed by formal languages such as first-order logic; 2) simultaneously optimise the structure and parameters of the models to make accurate numerical predictions; 3) reduce the cost of experiments and effort on data annotation by actively generating hypotheses and examples.
Meta_{Abd}$の有効性を検証するため,微生物宿主の3つの遺伝子オペロンからタンパク質を生産するための合成データセットをモデル化した。
関連論文リスト
- Boolean matrix logic programming for active learning of gene functions in genome-scale metabolic network models [4.762323642506732]
我々は、細胞工学の促進と生物学的発見を促進するために、論理ベースの機械学習技術を適用しようとしている。
我々は,情報的実験を導くことでゲノム仮説空間を効率的に探索する新しいシステム,BMLP_active$を導入する。
$BMLP_active$は、ランダムな実験よりもトレーニング例が少ない遺伝子ペア間の相互作用をうまく学べる。
論文 参考訳（メタデータ） (2024-05-10T09:51:06Z) - EndToEndML: An Open-Source End-to-End Pipeline for Machine Learning Applications [0.2826977330147589]
機械学習モデルの事前処理、トレーニング、評価、可視化が可能なWebベースのエンドツーエンドパイプラインを提案する。
本ライブラリは,マルチモーダル・マルチセンサ・データセットの認識,分類,クラスタリング,および予測を支援する。
論文 参考訳（メタデータ） (2024-03-27T02:24:38Z) - An Autonomous Large Language Model Agent for Chemical Literature Data
Mining [60.85177362167166]
本稿では,幅広い化学文献から高忠実度抽出が可能なエンドツーエンドAIエージェントフレームワークを提案する。
本フレームワークの有効性は,反応条件データの精度,リコール,F1スコアを用いて評価する。
論文 参考訳（メタデータ） (2024-02-20T13:21:46Z) - DiffuseBot: Breeding Soft Robots With Physics-Augmented Generative
Diffusion Models [102.13968267347553]
本稿では,様々なタスクにおいて優れたソフトロボット形態を生成する物理拡張拡散モデルであるDiffuseBotを提案する。
我々は、その能力とともに、シミュレーションされた、そして製造された様々なロボットを紹介します。
論文 参考訳（メタデータ） (2023-11-28T18:58:48Z) - Human Comprehensible Active Learning of Genome-Scale Metabolic Networks [7.838090421892651]
仮説空間を効率的に探索し、実験設計を導く、理解可能な機械学習アプローチが緊急に必要である。
Inductive Logic Programming (ILP) に基づく新しい機械学習フレームワーク ILP-iML1515 を提案する。
ILP-iML1515はゲノムスケールの代謝モデルの理解可能な論理的表現に基づいて構築されており、補助栄養変異体試験から新しい論理構造を学習することでモデルを更新することができる。
論文 参考訳（メタデータ） (2023-08-24T12:42:00Z) - Rapid prediction of lab-grown tissue properties using deep learning [0.0]
テザリング型で培養したセルラーデンハイドロゲルの自己組織化におけるメカノビロジーの役割を機械学習ツールを用いて予測する。
機械学習アルゴリズムはバイオ物理法よりもはるかに高速である。
足場と3Dバイオプリンティングのための将来の拡張は、追加のアプリケーションを開く。
論文 参考訳（メタデータ） (2023-03-31T12:49:37Z) - Deep Active Learning for Computer Vision: Past and Future [50.19394935978135]
AIモデルの開発に欠かせない役割にもかかわらず、アクティブラーニングの研究は他の研究の方向性ほど集中的ではない。
データ自動化の課題に対処し、自動化された機械学習システムに対処することによって、アクティブな学習はAI技術の民主化を促進する。
論文 参考訳（メタデータ） (2022-11-27T13:07:14Z) - Advancing Reacting Flow Simulations with Data-Driven Models [50.9598607067535]
マルチ物理問題における機械学習ツールの効果的な利用の鍵は、それらを物理モデルとコンピュータモデルに結合することである。
本章では, 燃焼システムにおけるデータ駆動型低次モデリングの適用可能性について概説する。
論文 参考訳（メタデータ） (2022-09-05T16:48:34Z) - When Bioprocess Engineering Meets Machine Learning: A Survey from the
Perspective of Automated Bioprocess Development [3.687740185234604]
機械学習(ML)はバイオプロセス工学の発展に大きく貢献しているが、その応用は限られている。
このレビューでは、バイオプロセス開発におけるMLベースの自動化の概要について概観する。
論文 参考訳（メタデータ） (2022-09-02T14:30:49Z) - Ten Quick Tips for Deep Learning in Biology [116.78436313026478]
機械学習は、データのパターンを認識し、予測モデリングに使用するアルゴリズムの開発と応用に関係している。
ディープラーニングは、独自の機械学習のサブフィールドになっている。
生物学的研究の文脈において、ディープラーニングは高次元の生物学的データから新しい洞察を導き出すためにますます使われてきた。
論文 参考訳（メタデータ） (2021-05-29T21:02:44Z) - Towards an Automatic Analysis of CHO-K1 Suspension Growth in
Microfluidic Single-cell Cultivation [63.94623495501023]
我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。
具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
論文 参考訳（メタデータ） (2020-10-20T08:36:51Z)
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。