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: 翻訳完了
• 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

• Large Language Models for Bioinformatics [58.892165394487414]
  本調査はバイオインフォマティクス特化言語モデル(BioLM)の進化,分類,特徴の識別に焦点をあてる。 疾患診断, 薬物発見, ワクチン開発などの重要な分野において, バイオフィルムの幅広い応用について検討する。 データプライバシやセキュリティ上の問題,解釈可能性の問題,トレーニングデータやモデル出力のバイアス,ドメイン適応複雑性など,BioLMに固有の重要な課題や制限を特定します。
  論文  参考訳（メタデータ） (2025-01-10T01:43:05Z)
• From Intention To Implementation: Automating Biomedical Research via LLMs [30.32209981487504]
  本稿では,バイオメディカル研究プロセス全体を合理化するために設計された,初のエンドツーエンド自動システムであるBioResearcherを紹介する。 複雑なタスクを論理的に関連するサブタスクに分解することで、BioResearcherは多分野要求と論理複雑性の課題を効果的に解決する。 BioResearcherは8つの未測定研究目標に対して平均実行成功率63.07%を達成している。
  論文  参考訳（メタデータ） (2024-12-12T16:35:05Z)
• 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)
• An Evaluation of Large Language Models in Bioinformatics Research [52.100233156012756]
  本研究では,大規模言語モデル(LLM)の性能について,バイオインフォマティクスの幅広い課題について検討する。 これらのタスクには、潜在的なコーディング領域の同定、遺伝子とタンパク質の命名されたエンティティの抽出、抗微生物および抗がんペプチドの検出、分子最適化、教育生物情報学問題の解決が含まれる。 以上の結果から, GPT 変種のような LLM がこれらのタスクの多くをうまく処理できることが示唆された。
  論文  参考訳（メタデータ） (2024-02-21T11:27:31Z)
• ProBio: A Protocol-guided Multimodal Dataset for Molecular Biology Lab [67.24684071577211]
  研究結果を複製するという課題は、分子生物学の分野に重大な障害をもたらしている。 まず、この目的に向けた最初のステップとして、ProBioという名前の包括的なマルチモーダルデータセットをキュレートする。 次に、透明なソリューショントラッキングとマルチモーダルなアクション認識という2つの挑戦的なベンチマークを考案し、BioLab設定におけるアクティビティ理解に関連する特徴と難しさを強調した。
  論文  参考訳（メタデータ） (2023-11-01T14:44:01Z)
• Applications of Machine Learning in Biopharmaceutical Process Development and Manufacturing: Current Trends, Challenges, and Opportunities [7.762212551172391]
  機械学習(ML)は、バイオ医薬品分野に多大な貢献をしている。 その応用はまだ初期段階にあり、品質・バイ・デザインに基づくバイオ医薬品の開発・製造を直接支援している。 本稿では, 上流, 下流, 製品定式化プロセスの生物製品設計, 監視, 制御, 最適化におけるMLソリューションの現状を概観する。
  論文  参考訳（メタデータ） (2023-10-16T00:35:24Z)
• 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)
• 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)
• 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)
• 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。