論文の概要: MIIDL: a Python package for microbial biomarkers identification powered
by interpretable deep learning
- arxiv url: http://arxiv.org/abs/2109.12204v1
- Date: Fri, 24 Sep 2021 21:30:10 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-01 08:14:57.414701
- Title: MIIDL: a Python package for microbial biomarkers identification powered
by interpretable deep learning
- Title(参考訳): miidl: 解釈可能なディープラーニングを利用した微生物バイオマーカー識別用pythonパッケージ
- Authors: Jian Jiang
- Abstract要約: 我々は,解釈可能な深層学習に基づく微生物バイオマーカーの同定のためのPythonパッケージMIIDLを提案する。
MIIDLは、畳み込みニューラルネットワーク、様々な解釈可能性アルゴリズム、および多くの事前処理手法を革新的に応用し、高次元およびスパースデータセットから微生物バイオマーカーを識別するためのワンストップで堅牢なパイプラインを提供する。
- 参考スコア(独自算出の注目度): 5.749346757892117
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Detecting microbial biomarkers used to predict disease phenotypes and
clinical outcomes is crucial for disease early-stage screening and diagnosis.
Most methods for biomarker identification are linear-based, which is very
limited as biological processes are rarely fully linear. The introduction of
machine learning to this field tends to bring a promising solution. However,
identifying microbial biomarkers in an interpretable, data-driven and robust
manner remains challenging. We present MIIDL, a Python package for the
identification of microbial biomarkers based on interpretable deep learning.
MIIDL innovatively applies convolutional neural networks, a variety of
interpretability algorithms and plenty of pre-processing methods to provide a
one-stop and robust pipeline for microbial biomarkers identification from
high-dimensional and sparse data sets.
- Abstract(参考訳): 疾患の早期スクリーニングと診断には,疾患の表現型と臨床結果を予測するための微生物バイオマーカーの検出が重要である。
ほとんどのバイオマーカーの同定法は線形ベースであり、生物学的過程が完全に線形であることは稀である。
この分野への機械学習の導入は、有望なソリューションをもたらす傾向がある。
しかし、微生物のバイオマーカーを解釈可能でデータ駆動で堅牢な方法で同定することは依然として困難である。
我々は,解釈可能な深層学習に基づく微生物バイオマーカー識別のためのPythonパッケージMIIDLを提案する。
MIIDLは、畳み込みニューラルネットワーク、様々な解釈可能性アルゴリズム、および多くの事前処理手法を革新的に応用し、高次元およびスパースデータセットから微生物バイオマーカーを識別するためのワンストップで堅牢なパイプラインを提供する。
関連論文リスト
- 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) - From Whole-slide Image to Biomarker Prediction: A Protocol for
End-to-End Deep Learning in Computational Pathology [0.725241982525598]
本プロトコルは, 病理組織における固形腫瘍連想モデル(STAMP)の実践的ワークフローを記述する。
STAMPワークフローはバイオマーカー非依存であり、遺伝子および臨床病理学的表層データを追加入力として含めることができる。
このプロトコルは5つの主要な段階から構成されており、様々な研究課題にうまく適用されている。
論文 参考訳(メタデータ) (2023-12-18T05:46:57Z) - scBeacon: single-cell biomarker extraction via identifying paired cell
clusters across biological conditions with contrastive siamese networks [0.9591674293850556]
scBeaconは、深いコントラストのあるシアムネットワーク上に構築されたフレームワークである。
scBeaconは、様々な条件で一致した細胞集団を特定します。
包括的な評価は、既存の単細胞差分遺伝子解析ツールよりも scBeacon の方が優れていることを検証する。
論文 参考訳(メタデータ) (2023-11-05T08:27:24Z) - ProBio: A Protocol-guided Multimodal Dataset for Molecular Biology Lab [67.24684071577211]
研究結果を複製するという課題は、分子生物学の分野に重大な障害をもたらしている。
まず、この目的に向けた最初のステップとして、ProBioという名前の包括的なマルチモーダルデータセットをキュレートする。
次に、透明なソリューショントラッキングとマルチモーダルなアクション認識という2つの挑戦的なベンチマークを考案し、BioLab設定におけるアクティビティ理解に関連する特徴と難しさを強調した。
論文 参考訳(メタデータ) (2023-11-01T14:44:01Z) - Intelligent diagnostic scheme for lung cancer screening with Raman
spectra data by tensor network machine learning [10.813777115744362]
呼気中の揮発性有機化合物(VOC)のラマンスペクトルデータをスクリーニングすることにより,肺がん患者とそのステージを確実に予測するテンソルネットワーク(TN)-ML法を提案する。
高い確実性を持つサンプルの精度はほぼ100$%$である。
論文 参考訳(メタデータ) (2023-03-11T07:57:37Z) - 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) - Lymphocyte Classification in Hyperspectral Images of Ovarian Cancer
Tissue Biopsy Samples [94.37521840642141]
生検コアのハイパースペクトル画像に白血球画素を分割する機械学習パイプラインを提案する。
これらの細胞は臨床的に診断に重要であるが、いくつかの先行研究は正確なピクセルラベルを得るのが困難であるため、それらを組み込むのに苦労している。
論文 参考訳(メタデータ) (2022-03-23T00:58:27Z) - Deep neural networks approach to microbial colony detection -- a
comparative analysis [52.77024349608834]
本稿では,AGARデータセットを用いた3つの深層学習手法の性能について検討する。
得られた結果は将来の実験のベンチマークとして機能するかもしれない。
論文 参考訳(メタデータ) (2021-08-23T12:06:00Z) - Preventing dataset shift from breaking machine-learning biomarkers [0.6138671548064355]
良いバイオマーカーは、対応する条件を確実に検出するものである。
バイオマーカーは、しばしば標的個体群とは異なるコホートから抽出される。
このようなミスマッチはデータセットシフトと呼ばれ、新しい個人へのバイオマーカーの適用を損なう可能性がある。
論文 参考訳(メタデータ) (2021-07-21T08:54:23Z) - G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for
Biomarker Identification and Disease Classification [49.53651166356737]
診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。
2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
論文 参考訳(メタデータ) (2021-01-27T19:28:04Z) - Deep learning approach to describe and classify fungi microscopic images [4.759323753598067]
深層ニューラルネットワークとFisher Vectorに基づく機械学習手法を用いて,各種菌類の顕微鏡画像の分類を行う。
本手法は, 生化学的同定の最終段階を冗長化し, 同定過程を2~3日短縮し, 診断コストを削減できる可能性がある。
論文 参考訳(メタデータ) (2020-05-24T15:15:07Z)
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。