論文の概要: Biologically-informed deep learning models for cancer: fundamental
trends for encoding and interpreting oncology data
- arxiv url: http://arxiv.org/abs/2207.00812v1
- Date: Sat, 2 Jul 2022 12:11:35 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-05 14:04:56.136104
- Title: Biologically-informed deep learning models for cancer: fundamental
trends for encoding and interpreting oncology data
- Title(参考訳): 生物学的にインフォームドされた癌深層学習モデル-オンコロジーデータのエンコーディングと解釈の基礎的傾向
- Authors: Magdalena Wysocka, Oskar Wysocki, Marie Zufferey, D\'onal Landers,
Andr\'e Freitas
- Abstract要約: 本稿では,癌生物学における推論を支援するために用いられる深層学習(DL)モデルに着目した構造化文献解析を行う。
この研究は、既存のモデルが、先行知識、生物学的妥当性、解釈可能性とのより良い対話の必要性にどのように対処するかに焦点を当てている。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: In this paper we provide a structured literature analysis focused on Deep
Learning (DL) models used to support inference in cancer biology with a
particular emphasis on multi-omics analysis. The work focuses on how existing
models address the need for better dialogue with prior knowledge, biological
plausibility and interpretability, fundamental properties in the biomedical
domain. We discuss the recent evolutionary arch of DL models in the direction
of integrating prior biological relational and network knowledge to support
better generalisation (e.g. pathways or Protein-Protein-Interaction networks)
and interpretability. This represents a fundamental functional shift towards
models which can integrate mechanistic and statistical inference aspects. We
discuss representational methodologies for the integration of domain prior
knowledge in such models. The paper also provides a critical outlook into
contemporary methods for explainability and interpretabiltiy. This analysis
points in the direction of a convergence between encoding prior knowledge and
improved interpretability.
- Abstract(参考訳): 本稿では,がん生物学における推論支援に使用される深層学習モデルに焦点をあてた構造化文献解析を行い,マルチオミクス解析を特に重視する。
この研究は、既存のモデルがより優れた知識、生物学的可能性、解釈可能性、生物医学領域の基本特性との対話の必要性にどのように対処するかに焦点を当てている。
我々は,最近のDLモデルの進化的アーチを,より高度な一般化(例えば,経路やタンパク質-タンパク質-相互作用ネットワーク)と解釈可能性を支援するために,生物関係とネットワーク知識を統合する方向で論じる。
これは、機械論と統計推論の側面を統合できるモデルへの根本的な機能的シフトを表している。
このようなモデルにおけるドメイン事前知識の統合のための表現方法論について論じる。
この論文はまた、現代における説明可能性と解釈可能性の方法に対する批判的な見解を提供する。
この分析は、事前知識の符号化と解釈性の向上の間の収束の方向を示す。
関連論文リスト
- Leveraging Biomolecule and Natural Language through Multi-Modal
Learning: A Survey [75.47055414002571]
生物分子モデリングと自然言語(BL)の統合は、人工知能、化学、生物学の交差点において有望な学際領域として現れてきた。
生体分子と自然言語の相互モデリングによって達成された最近の進歩について分析する。
論文 参考訳(メタデータ) (2024-03-03T14:59:47Z) - Towards Graph Foundation Models: A Survey and Beyond [68.35562541338865]
ファンデーションモデルは、さまざまな人工知能アプリケーションにおいて重要なコンポーネントとして現れてきた。
基礎モデルがグラフ機械学習研究者を一般化し、適応させる能力は、新しいグラフ学習パラダイムを開発する可能性について議論する。
本稿では,グラフ基礎モデル(GFM)の概念を紹介し,その重要な特徴と基礎技術について概説する。
論文 参考訳(メタデータ) (2023-10-18T09:31:21Z) - A Novel Neural-symbolic System under Statistical Relational Learning [50.747658038910565]
本稿では,GBPGRと呼ばれる2段階の確率的グラフィカル推論フレームワークを提案する。
GBPGRでは、シンボル推論の結果を用いて、ディープラーニングモデルによる予測を洗練し、修正する。
提案手法は高い性能を示し, 帰納的タスクと帰納的タスクの両方において効果的な一般化を示す。
論文 参考訳(メタデータ) (2023-09-16T09:15:37Z) - Exploring the In-context Learning Ability of Large Language Model for
Biomedical Concept Linking [4.8882241537236455]
本研究では,生物医学的概念リンクのための大規模モデルのコンテキスト内学習機能を活用する手法について検討する。
提案手法は2段階のレトリーブ・アンド・ランク・フレームワークを採用する。
BC5CDRの病体正規化では90.%、化学体正規化では94.7%の精度を達成した。
論文 参考訳(メタデータ) (2023-07-03T16:19:50Z) - Predicting long-term collective animal behavior with deep learning [67.06717327342473]
本研究は,魚種Hemigrammus rhodostomusにおける社会的相互作用の深層学習モデルを導入する。
実験結果と最先端解析モデルの結果を比較した。
我々は,ソーシャルインタラクションの機械学習モデルが,その分析モデルと直接競合できることを実証した。
論文 参考訳(メタデータ) (2023-02-14T05:25:03Z) - Investigating the Role of Centering Theory in the Context of Neural
Coreference Resolution Systems [71.57556446474486]
中心化理論と現代のコア参照分解システムとの関係について検討する。
高品質なニューラルコア参照リゾルバは、中心となるアイデアを明示的にモデル化することの恩恵を受けない可能性がある。
また, 再発をモデルとしたCTのバージョンを定式化し, バニラCTよりも良質なコア参照情報を取得することを示した。
論文 参考訳(メタデータ) (2022-10-26T12:55:26Z) - Testing Pre-trained Language Models' Understanding of Distributivity via
Causal Mediation Analysis [13.07356367140208]
自然言語推論のための新しい診断データセットであるDistNLIを紹介する。
モデルの理解の範囲は、モデルのサイズと語彙のサイズと関連していることがわかった。
論文 参考訳(メタデータ) (2022-09-11T00:33:28Z) - Generalized Shape Metrics on Neural Representations [26.78835065137714]
表現上の相似性を定量化する計量空間の族を提供する。
我々は、正準相関解析に基づいて既存の表現類似度尺度を修正し、三角形の不等式を満たす。
解剖学的特徴とモデル性能の観点から解釈可能な神経表現の関係を同定する。
論文 参考訳(メタデータ) (2021-10-27T19:48:55Z) - Multimodal Graph-based Transformer Framework for Biomedical Relation
Extraction [21.858440542249934]
本稿では,分子構造などの付加的なマルチモーダルキューの助けを借りて,モデルが実体(タンパク質)に関する多言語生物学的情報を学習することを可能にする新しい枠組みを提案する。
バイオメディカルコーパスを用いたタンパク質プロテイン相互作用タスクの評価を行った。
論文 参考訳(メタデータ) (2021-07-01T16:37:17Z) - Representation Learning for Networks in Biology and Medicine:
Advancements, Challenges, and Opportunities [18.434430658837258]
我々は,ネットワークを用いたモデリング,分析,学習への表現学習技術の急速な拡大を目の当たりにした。
本論では,ネットワーク生物学と医学の長年の原則が,表現学習の概念的基盤を提供できるという見解を述べる。
位相的特徴を利用してネットワークをコンパクトなベクトル空間に埋め込むアルゴリズムアプローチのスペクトルを合成する。
論文 参考訳(メタデータ) (2021-04-11T00:20:00Z) - Deep Co-Attention Network for Multi-View Subspace Learning [73.3450258002607]
マルチビューサブスペース学習のための深層コアテンションネットワークを提案する。
共通情報と相補情報の両方を敵意で抽出することを目的としている。
特に、新しいクロス再構成損失を使用し、ラベル情報を利用して潜在表現の構築を誘導する。
論文 参考訳(メタデータ) (2021-02-15T18:46:44Z)
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。