論文の概要: When Bioprocess Engineering Meets Machine Learning: A Survey from the
Perspective of Automated Bioprocess Development
- arxiv url: http://arxiv.org/abs/2209.01083v1
- Date: Fri, 2 Sep 2022 14:30:49 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-05 12:44:40.001755
- Title: When Bioprocess Engineering Meets Machine Learning: A Survey from the
Perspective of Automated Bioprocess Development
- Title（参考訳）: バイオプロセスエンジニアリングが機械学習に出会うとき:自動バイオプロセス開発の観点から
- Authors: Nghia Duong-Trung, Stefan Born, Jong Woo Kim, Marie-Therese
Schermeyer, Katharina Paulick, Maxim Borisyak, Ernesto Martinez, Mariano
Nicolas Cruz-Bournazou, Thorben Werner, Randolf Scholz, Lars Schmidt-Thieme,
Peter Neubauer
- Abstract要約: 機械学習(ML)はバイオプロセス工学の発展に大きく貢献しているが、その応用は限られている。
このレビューでは、バイオプロセス開発におけるMLベースの自動化の概要について概観する。
- 参考スコア（独自算出の注目度）: 3.687740185234604
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Machine learning (ML) has significantly contributed to the development of
bioprocess engineering, but its application is still limited, hampering the
enormous potential for bioprocess automation. ML for model building automation
can be seen as a way of introducing another level of abstraction to focus
expert humans in the most cognitive tasks of bioprocess development. First,
probabilistic programming is used for the autonomous building of predictive
models. Second, machine learning automatically assesses alternative decisions
by planning experiments to test hypotheses and conducting investigations to
gather informative data that focus on model selection based on the uncertainty
of model predictions. This review provides a comprehensive overview of ML-based
automation in bioprocess development. On the one hand, the biotech and
bioengineering community should be aware of the potential and, most
importantly, the limitation of existing ML solutions for their application in
biotechnology and biopharma. On the other hand, it is essential to identify the
missing links to enable the easy implementation of ML and Artificial
Intelligence (AI) solutions in valuable solutions for the bio-community. We
summarize recent ML implementation across several important subfields of
bioprocess systems and raise two crucial challenges remaining the bottleneck of
bioprocess automation and reducing uncertainty in biotechnology development.
There is no one-fits-all procedure; however, this review should help identify
the potential automation combining biotechnology and ML domains.
- Abstract（参考訳）: 機械学習(ML)は、バイオプロセス工学の発展に大きく貢献しているが、その応用はまだ限られており、バイオプロセス自動化の巨大な可能性を妨げている。
モデル構築自動化のためのmlは、生物プロセス開発の最も認知的なタスクに専門家の人間を集中させるために、別のレベルの抽象化を導入する方法と見なすことができる。
まず、確率的プログラミングは予測モデルの自律的構築に使用される。
第二に、機械学習は仮説をテストする実験を計画し、モデル予測の不確実性に基づいてモデル選択に焦点を当てた情報収集を行うことによって、代替決定を自動的に評価する。
本稿では、バイオプロセス開発におけるMLベースの自動化の概要を紹介する。
一方、バイオテクノロジーとバイオエンジニアリングのコミュニティは、バイオテクノロジーとバイオファーマに応用するための既存のMLソリューションの可能性と限界を認識すべきである。
一方,バイオコミュニティのための有用なソリューションとして,MLと人工知能(AI)ソリューションの実装が容易になるためには,欠落したリンクを特定することが不可欠である。
バイオプロセスシステムの重要なサブフィールドにまたがる最近のml実装を要約し、バイオプロセス自動化のボトルネックとバイオテクノロジー開発の不確実性の低減の2つの重要な課題を提起する。
しかし、このレビューはバイオテクノロジーとMLドメインを組み合わせた自動化の可能性を特定するのに役立つだろう。
関連論文リスト
- Explainable AI for Bioinformatics: Methods, Tools, and Applications [1.6855835471222005]
説明可能な人工知能(XAI)は、ブラックボックスモデルの不透明さを軽減することを目的とした新興分野である。
本稿では,バイオインフォマティクスに着目した説明可能性の重要性について論じる。
論文 参考訳（メタデータ） (2022-12-25T21:00:36Z) - Realizing Molecular Machine Learning through Communications for
Biological AI: Future Directions and Challenges [4.059849656394191]
分子機械学習(MML)に向けて、従来の装置よりもはるかに小さいスケールと媒体について検討する。
MMLの操作の基礎は、化学反応を通じて分子によって伝播される情報の輸送、処理、解釈である。
私たちは将来的な方向性と、この分野が解決できる課題に注目します。
論文 参考訳（メタデータ） (2022-12-22T17:53:25Z) - Deep Active Learning for Computer Vision: Past and Future [50.19394935978135]
AIモデルの開発に欠かせない役割にもかかわらず、アクティブラーニングの研究は他の研究の方向性ほど集中的ではない。
データ自動化の課題に対処し、自動化された機械学習システムに対処することによって、アクティブな学習はAI技術の民主化を促進する。
論文 参考訳（メタデータ） (2022-11-27T13:07:14Z) - Multi-fidelity Gaussian Process for Biomanufacturing Process Modeling
with Small Data [1.4687789417816917]
本稿では, バイオマニュファクチャリングにおけるプロセスモデリングに, 統計的機械学習アプローチ, 多要素ガウスプロセスを用いることを提案する。
生物生産,バイオリアクターのスケールアップ,細胞間知識伝達における2つの重要な課題を解決するために,多要素ガウス法を適用し,実世界のデータセット上での有効性を実証する。
論文 参考訳（メタデータ） (2022-11-26T06:38:34Z) - AutoPrognosis 2.0: Democratizing Diagnostic and Prognostic Modeling in
Healthcare with Automated Machine Learning [72.2614468437919]
本稿では,診断・予後モデルを開発するための機械学習フレームワークAutoPrognosis 2.0を提案する。
我々は,英国バイオバンクを用いた糖尿病の予後リスクスコアを構築するための図解的アプリケーションを提供する。
我々のリスクスコアはWebベースの意思決定支援ツールとして実装されており、世界中の患者や臨床医がアクセスできる。
論文 参考訳（メタデータ） (2022-10-21T16:31:46Z) - 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) - Towards Green Automated Machine Learning: Status Quo and Future
Directions [55.41644538483948]
AutoMLは数百のコントリビューションでホットな研究トピックになっている。
非常に資源集約的であることも知られており、批判の要点の1つである。
本稿では,この問題に対するAutoML研究者の意識を高め,治療の可能性について詳しく述べる。
論文 参考訳（メタデータ） (2021-11-10T18:57:27Z) - Automated Biodesign Engineering by Abductive Meta-Interpretive Learning [8.788941848262786]
Abductive Meta-Interpretive Learning($Meta_Abd$)を活用した自動バイオデザインエンジニアリングフレームワークを提案します。
本稿では,Abductive Meta-Interpretive Learning(Meta_Abd$)を活用したバイオデザイン自動工学フレームワークを提案する。
論文 参考訳（メタデータ） (2021-05-17T12:10:26Z) - 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) - Machine Learning in Nano-Scale Biomedical Engineering [77.75587007080894]
ナノスケールバイオメディカルエンジニアリングにおける機械学習の利用に関する既存の研究について概説する。
ML問題として定式化できる主な課題は、3つの主要なカテゴリに分類される。
提示された方法論のそれぞれについて、その原則、応用、制限に特に重点を置いている。
論文 参考訳（メタデータ） (2020-08-05T15:45:54Z)
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。