論文の概要: Application of Machine Learning in understanding plant virus pathogenesis: Trends and perspectives on emergence, diagnosis, host-virus interplay and management

• arxiv url: http://arxiv.org/abs/2112.01998v1
• Date: Fri, 3 Dec 2021 16:25:26 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-06 16:13:26.876145
• Title: Application of Machine Learning in understanding plant virus pathogenesis: Trends and perspectives on emergence, diagnosis, host-virus interplay and management
• Title（参考訳）: 植物ウイルスの病因理解における機械学習の応用 : 発生・診断・宿主ウイルス間相互作用・管理の動向と展望
• Authors: Dibyendu Ghosh, Srija Chakraborty, Hariprasad Kodamana, Supriya Chakraborty
• Abstract要約: 深層学習アルゴリズムは、植物ウイルス学を含むいくつかの分野の生物学における機械学習の適用をさらに促進する。 植物ウイルス学の理解における機械学習の適用の著しい進歩を考えると、このレビューは機械学習に関する序文を強調している。
• 参考スコア（独自算出の注目度）: 1.949912057689623
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Inclusion of high throughput technologies in the field of biology has generated massive amounts of biological data in the recent years. Now, transforming these huge volumes of data into knowledge is the primary challenge in computational biology. The traditional methods of data analysis have failed to carry out the task. Hence, researchers are turning to machine learning based approaches for the analysis of high-dimensional big data. In machine learning, once a model is trained with a training dataset, it can be applied on a testing dataset which is independent. In current times, deep learning algorithms further promote the application of machine learning in several field of biology including plant virology. Considering a significant progress in the application of machine learning in understanding plant virology, this review highlights an introductory note on machine learning and comprehensively discusses the trends and prospects of machine learning in diagnosis of viral diseases, understanding host-virus interplay and emergence of plant viruses.
• Abstract（参考訳）: 生物学分野における高スループット技術の導入は、近年、大量の生物学的データを生み出している。 膨大な量のデータを知識に変換することは 計算生物学の主要な課題です 従来のデータ分析の方法は、そのタスクを実行できなかった。 そのため研究者たちは、高次元のビッグデータ分析のための機械学習ベースのアプローチに目を向けている。 マシンラーニングでは、モデルがトレーニングデータセットでトレーニングされると、独立したテストデータセットに適用することができる。 現在のディープラーニングアルゴリズムは、植物ウイルス学を含むいくつかの分野の生物学における機械学習の適用をさらに促進している。 本論では、植物ウイルス学の理解における機械学習の応用における重要な進歩を考察し、機械学習のウイルス疾患診断におけるトレンドと展望、宿主ウイルス間相互作用の理解、植物ウイルスの出現を包括的に論じる。

関連論文リスト

• 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)
• 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)
• 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)
• Recent advancement in Disease Diagnostic using machine learning: Systematic survey of decades, comparisons, and challenges [0.0]
  バイオメディカル領域におけるパターン認識と機械学習は、疾患の検出と診断の精度を高めることを約束する。 本稿では,肝炎,糖尿病,肝疾患,デング熱,心臓病などの疾患を検出するための機械学習アルゴリズムについて検討する。
  論文  参考訳（メタデータ） (2023-07-31T16:35:35Z)
• 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)
• Introduction to Machine Learning for Physicians: A Survival Guide for Data Deluge [9.152759278163954]
  現代の研究分野は、大規模な、しばしば構造化されていない、不安定なデータセットの収集と分析にますます依存している。 このデータルージュを活用できる機械学習や人工知能アプリケーションへの関心が高まっている。 この幅広い非技術的概要は、医学的および生物学的応用に特に焦点をあてた、機械学習への穏やかな紹介を提供する。
  論文  参考訳（メタデータ） (2022-12-23T13:08:59Z)
• 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)
• Scientific Machine Learning Benchmarks [0.17205106391379021]
  ディープラーニングニューラルネットワークのブレークスルーは、非常に大規模な実験データセットの分析にAIと機械学習技術の使用を変革した。 科学データセットの分析に最も適した機械学習アルゴリズムを特定することは、科学者にとって依然として課題である。 科学機械学習ベンチマークの開発における我々のアプローチを解説し、科学機械学習ベンチマークに対する他のアプローチについてレビューする。
  論文  参考訳（メタデータ） (2021-10-25T10:05:11Z)
• 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)
• Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
  本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。 新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。 我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
  論文  参考訳（メタデータ） (2020-09-02T02:50:30Z)

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。