論文の概要: Building a Relation Extraction Baseline for Gene-Disease Associations: A
Reproducibility Study
- arxiv url: http://arxiv.org/abs/2207.06226v1
- Date: Mon, 4 Jul 2022 08:19:43 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-17 18:29:08.896124
- Title: Building a Relation Extraction Baseline for Gene-Disease Associations: A
Reproducibility Study
- Title(参考訳): 遺伝子組換えのための関係抽出ベースラインの構築:再現性の検討
- Authors: Laura Menotti
- Abstract要約: バイオメディカルな抽象物から遺伝子障害協会を自動的に抽出するシステムであるDEXTERを再現する。
目標は、関係抽出(RE)に関する将来の研究のためのベンチマークを提供することである。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Reproducibility is an important task in scientific research. It is crucial
for researchers to compare newly developed systems with the state-of-the-art to
assess whether they made a breakthrough. However previous works may not be
immediately reproducible, for example due to the lack of source code. In this
work we reproduce DEXTER, a system to automatically extract Gene-Disease
Associations (GDAs) from biomedical abstracts. The goal is to provide a
benchmark for future works regarding Relation Extraction (RE), enabling
researchers to test and compare their results.
- Abstract(参考訳): 再現性は科学研究において重要な課題である。
研究者は、新しく開発されたシステムと最先端のシステムを比較して、ブレークスルーを行ったかどうかを評価することが重要である。
しかし、例えばソースコードがないため、以前の作業はすぐには再現できないかもしれない。
本研究は,生物医学的抽象物からGDA(Gene-Disease Associations)を自動的に抽出するシステムであるDEXTERを再現する。
目標は、関係抽出(RE)に関する将来の研究のためのベンチマークを提供することで、研究者が結果をテストして比較できるようにすることである。
関連論文リスト
- 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) - Retrosynthesis prediction enhanced by in-silico reaction data
augmentation [66.5643280109899]
RetroWISEは,実データから推定されるベースモデルを用いて,シリコン内反応の生成と増大を行うフレームワークである。
3つのベンチマークデータセットで、RetroWISEは最先端モデルに対して最高の全体的なパフォーマンスを達成する。
論文 参考訳(メタデータ) (2024-01-31T07:40:37Z) - Automatically Finding and Categorizing Replication Studies [0.0]
多くの実験科学分野において、複製に失敗した論文は、複製研究の発見可能性の低さから引用され続けている。
論文の複製研究を自動的に行うシステムを構築する第一歩として、334の複製研究と344の複製研究が集められた。
論文 参考訳(メタデータ) (2023-11-25T15:27:10Z) - Drug Synergistic Combinations Predictions via Large-Scale Pre-Training
and Graph Structure Learning [82.93806087715507]
薬物併用療法は、より有効で安全性の低い疾患治療のための確立された戦略である。
ディープラーニングモデルは、シナジスティックな組み合わせを発見する効率的な方法として登場した。
我々のフレームワークは、他のディープラーニングベースの手法と比較して最先端の結果を達成する。
論文 参考訳(メタデータ) (2023-01-14T15:07:43Z) - BioRED: A Comprehensive Biomedical Relation Extraction Dataset [6.915371362219944]
我々は,複数の実体型と関係対を持つ第一種バイオメディカルREコーパスであるBioREDを提示する。
それぞれの関係を、新しい発見知識または以前に知られていた背景知識を記述するものとしてラベル付けし、自動化アルゴリズムが新規情報と背景情報を区別できるようにする。
以上の結果から,既存の手法は NER タスクでは高い性能が得られるが,RE タスクには多くの改善の余地があることが示唆された。
論文 参考訳(メタデータ) (2022-04-08T19:23:49Z) - RECOVER: sequential model optimization platform for combination drug
repurposing identifies novel synergistic compounds in vitro [46.773794687622825]
深層学習モデルに適用した逐次モデル最適化探索を用いて,がん細胞株に対して高い相乗効果を持つ薬物の組み合わせを迅速に発見する。
モデルによりクエリされた組み合わせの集合は、非常にシナジスティックな組み合わせに富んでいることがわかった。
臨床的に検討中であることが判明した相乗効果薬の併用が再発見された。
論文 参考訳(メタデータ) (2022-02-07T02:54:29Z) - Deep metric learning improves lab of origin prediction of genetically
engineered plasmids [63.05016513788047]
遺伝工学の属性(GEA)は、配列-ラブの関連を作る能力である。
本稿では,計量学習に基づいて,最も可能性の高い実験室をランク付けする手法を提案する。
我々は、特定の実験室のプラスミド配列のキーシグネチャを抽出することができ、モデル出力の解釈可能な検査を可能にする。
論文 参考訳(メタデータ) (2021-11-24T16:29:03Z) - ACRE: Abstract Causal REasoning Beyond Covariation [90.99059920286484]
因果誘導における現在の視覚システムの系統的評価のための抽象因果分析データセットについて紹介する。
Blicket実験における因果発見の研究の流れに触発され、独立シナリオと介入シナリオのいずれにおいても、以下の4種類の質問で視覚的推論システムに問い合わせる。
純粋なニューラルモデルは確率レベルのパフォーマンスの下で連想戦略に向かう傾向があるのに対し、ニューロシンボリックな組み合わせは後方ブロッキングの推論に苦しむ。
論文 参考訳(メタデータ) (2021-03-26T02:42:38Z) - Neural networks for Anatomical Therapeutic Chemical (ATC) [83.73971067918333]
両方向の長期記憶ネットワーク(BiLSTM)から抽出された集合を含む、特徴の異なるセットで訓練された複数の複数ラベル分類器を組み合わせることを提案する。
実験はこのアプローチのパワーを実証し、文献で報告された最良の手法よりも優れていることを示した。
論文 参考訳(メタデータ) (2021-01-22T19:49:47Z) - AGATHA: Automatic Graph-mining And Transformer based Hypothesis
generation Approach [1.7954335118363964]
本稿では,発見過程の早い段階でデータ駆動的な洞察を導入する仮説生成システムを提案する。
AGATHAは、エンティティセット間で有効な用語ペアを優先し、新たな研究方向性を推奨します。
本システムは,確立したベンチマークにおいて,クラス内での最高の性能を実現する。
論文 参考訳(メタデータ) (2020-02-13T17:06:47Z)
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。