論文の概要: Automated Bioinformatics Analysis via AutoBA

• arxiv url: http://arxiv.org/abs/2309.03242v1
• Date: Wed, 6 Sep 2023 07:54:45 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-08 15:30:42.977370
• Title: Automated Bioinformatics Analysis via AutoBA
• Title（参考訳）: AutoBAによるバイオインフォマティクスの自動解析
• Authors: Juexiao Zhou, Bin Zhang, Xiuying Chen, Haoyang Li, Xiaopeng Xu, Siyuan Chen, Xin Gao
• Abstract要約: Auto Bioinformatics Analysis(オートバイオインフォマティクス・アナリティクス・アナリティクス・アナリティクス、AutoBA)は、従来のオミクスデータ分析用に明示的に設計された大きな言語モデルに基づく自律型AIエージェントである。 AutoBAの堅牢性と適応性は、全ゲノムシークエンシング(WGS)、RNAシークエンシング(RNA-seq)、単細胞RNAシークエンシング(RNA-seq)、ChIP-seq、空間転写学など、様々なオミクス解析ケースで確認されている。
• 参考スコア（独自算出の注目度）: 33.09743154722675
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: With the fast-growing and evolving omics data, the demand for streamlined and adaptable tools to handle the analysis continues to grow. In response to this need, we introduce Auto Bioinformatics Analysis (AutoBA), an autonomous AI agent based on a large language model designed explicitly for conventional omics data analysis. AutoBA simplifies the analytical process by requiring minimal user input while delivering detailed step-by-step plans for various bioinformatics tasks. Through rigorous validation by expert bioinformaticians, AutoBA's robustness and adaptability are affirmed across a diverse range of omics analysis cases, including whole genome sequencing (WGS), RNA sequencing (RNA-seq), single-cell RNA-seq, ChIP-seq, and spatial transcriptomics. AutoBA's unique capacity to self-design analysis processes based on input data variations further underscores its versatility. Compared with online bioinformatic services, AutoBA deploys the analysis locally, preserving data privacy. Moreover, different from the predefined pipeline, AutoBA has adaptability in sync with emerging bioinformatics tools. Overall, AutoBA represents a convenient tool, offering robustness and adaptability for complex omics data analysis.
• Abstract（参考訳）: 急速に成長し進化するオミクスデータにより、分析を扱うための合理化および適応可能なツールの需要は増え続けている。 このニーズに応えて,従来のオミクスデータ分析のために設計された大規模言語モデルに基づく自律型AIエージェントであるAuto Bioinformatics Analysis (AutoBA)を導入する。 AutoBAは、様々なバイオインフォマティクスタスクの詳細なステップバイステッププランを提供しながら、最小限のユーザ入力を要求することで分析プロセスを単純化する。 バイオインフォマティクスの専門家による厳密な検証を通じて、AutoBAの堅牢性と適応性は、全ゲノムシークエンシング(WGS)、RNAシークエンシング(RNA-seq)、単細胞RNAシークエンシング(RNA-seq)、ChIP-seq、空間転写学など、様々なオミクス解析ケースで確認されている。 入力データの変化に基づく自己設計分析プロセスに対するAutoBAのユニークな能力は、その汎用性をさらに強調する。 オンラインバイオインフォマティクスサービスと比較すると、AutoBAは分析をローカルにデプロイし、データのプライバシを保存する。 さらに、事前に定義されたパイプラインとは異なり、AutoBAは新たなバイオインフォマティクスツールと同期して適応性を持つ。 全体として、AutoBAは複雑なオミクスデータ分析の堅牢性と適応性を提供する便利なツールである。

関連論文リスト

• QUIS: Question-guided Insights Generation for Automated Exploratory Data Analysis [1.9521598508325781]
  質問生成による洞察生成(ISGen)と質問生成(QUGen)の2段階で動作する完全自動化EDAシステムQUISを紹介する。 ISGenモジュールはデータを分析して、各質問に対する複数の関連する洞察を生成し、事前のトレーニングを必要とせず、QUISが新しいデータセットに適応できるようにする。
  論文  参考訳（メタデータ） (2024-10-14T08:21:25Z)
• CellAgent: An LLM-driven Multi-Agent Framework for Automated Single-cell Data Analysis [35.61361183175167]
  単細胞RNAシークエンシング (scRNA-seq) データ解析は生物学的研究に不可欠である。 しかし、望ましい結果を得るために様々なツールを手動で操作することは、研究者にとって労働集約的である。 本稿では,ScRNA-seqデータ解析タスクの自動処理と実行のためのLLM駆動型マルチエージェントフレームワークであるCellAgentを紹介する。
  論文  参考訳（メタデータ） (2024-07-13T09:14:50Z)
• SeqMate: A Novel Large Language Model Pipeline for Automating RNA Sequencing [0.0]
  SeqMateは、大規模言語モデル(LLM)のパワーを活用してワンクリック分析を可能にするツールで、データ準備と分析の両方を自動化する。 生成AIの力を利用することで、SeqMateはこれらの発見を分析し、制御/制御/ユーザプロンプトされた遺伝子について書かれたレポートを作成することができる。
  論文  参考訳（メタデータ） (2024-07-02T20:28:30Z)
• Long-Span Question-Answering: Automatic Question Generation and QA-System Ranking via Side-by-Side Evaluation [65.16137964758612]
  大規模言語モデルにおける長文文の活用について検討し,本書全体の読解データを作成する。 我々の目的は、長いテキストの詳細な理解を必要とする問題を分析し、理解し、推論するLLMの能力をテストすることである。
  論文  参考訳（メタデータ） (2024-05-31T20:15:10Z)
• AutoAct: Automatic Agent Learning from Scratch for QA via Self-Planning [54.47116888545878]
  AutoActはQAのための自動エージェント学習フレームワークである。 大規模アノテートデータやクローズドソースモデルからの合成計画軌道は依存していない。
  論文  参考訳（メタデータ） (2024-01-10T16:57:24Z)
• Automatically Balancing Model Accuracy and Complexity using Solution and Fitness Evolution (SAFE) [4.149117182410553]
  提案した共進化アルゴリズムSAFE(Solution and Fitness Evolution)を用いて,複数の目的を動的に調整できるかどうかを検討する。 GAMETESツールによって生成された複雑なシミュレートされた遺伝的データセットよりも、標準的な進化的アルゴリズムと比較して、SAFEは性能損失のない精度と複雑さを自動調整できることがわかった。
  論文  参考訳（メタデータ） (2022-06-30T16:55:33Z)
• Automated Materials Spectroscopy Analysis using Genetic Algorithms [12.447537764798795]
  材料特性データ解析の多目的最適化問題を解決するためのGAに基づくオープンソースプロジェクト。 モジュラーデザインと多重クロスオーバーと突然変異オプションは、追加の材料特性アプリケーションのためのソフトウェアも作る。
  論文  参考訳（メタデータ） (2022-03-18T20:36:31Z)
• Sensitivity analysis in differentially private machine learning using hybrid automatic differentiation [54.88777449903538]
  感性分析のための新しいテクスチブリド自動識別システム(AD)を導入する。 これにより、ニューラルネットワークをプライベートデータ上でトレーニングするなど、任意の微分可能な関数合成の感度をモデル化できる。 当社のアプローチは,データ処理の設定において,プライバシ損失に関する原則的推論を可能にする。
  論文  参考訳（メタデータ） (2021-07-09T07:19:23Z)
• 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)
• Fast, Accurate, and Simple Models for Tabular Data via Augmented Distillation [97.42894942391575]
  本研究では、FAST-DADを用いて、任意の複雑なアンサンブル予測を、高木、無作為林、深層ネットワークなどの個々のモデルに抽出する。 我々の個々の蒸留モデルは、H2O/AutoSklearnのようなAutoMLツールが生成するアンサンブル予測よりも10倍高速で精度が高い。
  論文  参考訳（メタデータ） (2020-06-25T09:57:47Z)

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。