Fugu-MT 論文翻訳(概要): Building a Relation Extraction Baseline for Gene-Disease Associations: A Reproducibility Study

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

AIGS: Generating Science from AI-Powered Automated Falsification [17.50867181053229]
本稿では,重要な研究プロセスを代表する役割を担ったマルチエージェントシステムである,フルプロセスAIGSシステムのベビーステップとして,Baby-AIGSを提案する。 3つのタスクの実験では、Baby-AIGSは経験豊富な人間の研究者と同等ではないが、有意義な科学的発見を産み出すことができた。
論文参考訳（メタデータ） (2024-11-17T13:40:35Z)
BioDiscoveryAgent: An AI Agent for Designing Genetic Perturbation Experiments [112.25067497985447]
そこで,BioDiscoveryAgentを紹介した。このエージェントは,新しい実験を設計し,その結果の理由を明らかにし,仮説空間を効率的にナビゲートし,望ましい解に到達させる。 BioDiscoveryAgentは、機械学習モデルをトレーニングすることなく、新しい実験を独自に設計することができる。 6つのデータセットで関連する遺伝的摂動を予測することで、平均21%の改善が達成されている。
論文参考訳（メタデータ） (2024-05-27T19:57:17Z)
GENEVIC: GENetic data Exploration and Visualization via Intelligent interactive Console [6.786793669890866]
GENEVICは、遺伝的データ生成と生物医学的知識発見のギャップを埋める、AI駆動のチャットフレームワークである。カスタマイズされたドメイン固有の遺伝情報の分析、検索、可視化を自動化する。機能を統合して、タンパク質相互作用ネットワークの生成、遺伝子セットの強化、PubMed、Google Scholar、arXivから科学文献の検索を行う。
論文参考訳（メタデータ） (2024-04-04T20:53:30Z)
ARAGOG: Advanced RAG Output Grading [44.99833362998488]
Retrieval-Augmented Generation (RAG) は、外部知識をLLM(Large Language Model)出力に統合するために不可欠である。本研究では,様々なRAG手法が検索精度および回答類似性に与える影響を評価する。
論文参考訳（メタデータ） (2024-04-01T10:43:52Z)
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)
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)

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。