論文の概要: Deep Learning in Computational Biology: Advancements, Challenges, and Future Outlook

• arxiv url: http://arxiv.org/abs/2310.03086v1
• Date: Mon, 2 Oct 2023 07:53:05 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-06 20:41:05.709763
• Title: Deep Learning in Computational Biology: Advancements, Challenges, and Future Outlook
• Title（参考訳）: 計算生物学における深層学習 : 進歩,課題,今後の展望
• Authors: Suresh Kumar, Dhanyashri Guruparan, Pavithren Aaron, Philemon Telajan, Kavinesh Mahadevan, Dinesh Davagandhi, Ong Xin Yue
• Abstract要約: 計算生物学における深層学習の歴史,利点,課題について検討する。 我々の焦点は、DNA配列分類と予測の2つの主要な応用と、配列データからのタンパク質構造予測である。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Deep learning has become a powerful tool in computational biology, revolutionising the analysis and interpretation of biological data over time. In our article review, we delve into various aspects of deep learning in computational biology. Specifically, we examine its history, advantages, and challenges. Our focus is on two primary applications: DNA sequence classification and prediction, as well as protein structure prediction from sequence data. Additionally, we provide insights into the outlook for this field. To fully harness the potential of deep learning in computational biology, it is crucial to address the challenges that come with it. These challenges include the requirement for large, labelled datasets and the interpretability of deep learning models. The use of deep learning in the analysis of DNA sequences has brought about a significant transformation in the detection of genomic variants and the analysis of gene expression. This has greatly contributed to the advancement of personalised medicine and drug discovery. Convolutional neural networks (CNNs) have been shown to be highly accurate in predicting genetic variations and gene expression levels. Deep learning techniques are used for analysing epigenetic data, including DNA methylation and histone modifications. This provides valuable insights into metabolic conditions and gene regulation. The field of protein structure prediction has been significantly impacted by deep learning, which has enabled accurate determination of the three-dimensional shape of proteins and prediction of their interactions. The future of deep learning in computational biology looks promising. With the development of advanced deep learning models and interpretation techniques, there is potential to overcome current challenges and further our understanding of biological systems.
• Abstract（参考訳）: 深層学習は計算生物学において強力なツールとなり、時間とともに生物学的データの分析と解釈に革命をもたらしている。 本稿では,計算生物学における深層学習の様々な側面について概説する。 具体的には,その歴史,長所,課題について考察する。 我々の焦点は、DNA配列分類と予測の2つの主要な応用と、配列データからのタンパク質構造予測である。 さらに、この分野の展望に関する洞察も提供します。 計算生物学におけるディープラーニングの可能性を完全に活用するには、それに伴う課題に取り組むことが不可欠である。 これらの課題には、大きなラベル付きデータセットの必要性や、ディープラーニングモデルの解釈可能性が含まれる。 DNA配列の解析におけるディープラーニングの利用は、ゲノム変異の検出と遺伝子発現の解析に大きな変革をもたらした。 これはパーソナライズド・メディカルと薬物発見の進展に大きく貢献した。 畳み込みニューラルネットワーク(CNN)は、遺伝的変異と遺伝子発現レベルを予測するのに非常に正確であることが示されている。 深層学習技術は、DNAメチル化やヒストン修飾を含むエピジェネティックデータを解析するために用いられる。 これは代謝条件と遺伝子調節に関する貴重な洞察を与える。 タンパク質構造予測の分野はディープラーニングによって大きく影響され、タンパク質の3次元形状の正確な決定と相互作用の予測を可能にした。 計算生物学におけるディープラーニングの未来は有望だ。 先進的な深層学習モデルと解釈技術の開発により、現在の課題を克服し、生物学的システムの理解を深める可能性がある。

関連論文リスト

• A Review of Artificial Intelligence based Biological-Tree Construction: Priorities, Methods, Applications and Trends [43.12448177569722]
  生物学的ツリー分析は、生物、遺伝子、細胞間の進化的および分化的関係を明らかにする重要なツールとなる。 従来の木推論手法は、初期の研究に基礎を置いているが、大規模で複雑なデータセットを処理する際の制限が増大している。 ディープラーニングの最近の進歩は有望なソリューションを提供し、データ処理とパターン認識機能を提供する。
  論文  参考訳（メタデータ） (2024-10-07T08:00:41Z)
• VQDNA: Unleashing the Power of Vector Quantization for Multi-Species Genomic Sequence Modeling [60.91599380893732]
  VQDNAは、ゲノムボキャブラリ学習の観点からゲノムのトークン化を改良する汎用フレームワークである。 ベクトル量子化されたコードブックを学習可能な語彙として活用することにより、VQDNAはゲノムをパターン認識の埋め込みに適応的にトークン化することができる。
  論文  参考訳（メタデータ） (2024-05-13T20:15:03Z)
• Causal machine learning for single-cell genomics [94.28105176231739]
  単細胞ゲノミクスへの機械学習技術の応用とその課題について論じる。 まず, 単一細胞生物学における現在の因果的アプローチの基盤となるモデルについて述べる。 次に、単一セルデータへの因果的アプローチの適用におけるオープンな問題を特定する。
  論文  参考訳（メタデータ） (2023-10-23T13:35:24Z)
• Phylogeny-informed fitness estimation [58.720142291102135]
  本研究では, 住民の健康評価を推定するために, フィロジェニーを利用した適合度推定手法を提案する。 以上の結果から, 植物性インフォームドフィットネス推定は, ダウンサンプドレキシケースの欠点を軽減することが示唆された。 この研究は、ランタイム系統解析を利用して進化アルゴリズムを改善するための最初のステップとなる。
  論文  参考訳（メタデータ） (2023-06-06T19:05:01Z)
• Knowledge Graph Completion based on Tensor Decomposition for Disease Gene Prediction [2.838553480267889]
  疾患や遺伝子を中心とした生物学的知識グラフを構築し,疾患発生予測のためのエンドツーエンドの知識グラフ補完モデルを構築した。 KDGeneは、実体の埋め込みとテンソル分解との関係の間の相互作用モジュールを導入し、生物学的知識における情報相互作用を効果的に強化する。
  論文  参考訳（メタデータ） (2023-02-18T13:57:44Z)
• Machine Learning Methods for Cancer Classification Using Gene Expression Data: A Review [77.34726150561087]
  がんは心臓血管疾患の2番目の死因である。 遺伝子発現は癌の早期発見において基本的な役割を担っている。 本研究は,機械学習を用いた癌分類における遺伝子発現解析の最近の進歩を概説する。
  論文  参考訳（メタデータ） (2023-01-28T15:03:03Z)
• A Review of Deep Learning Techniques for Protein Function Prediction [0.0]
  本稿では, 深層学習を用いたタンパク質機能予測手法の最近の展開を概説する。 我々は,コンピュータビジョン,自然言語処理,マルチモーダル学習の分野で画期的な成果を収めた,現代の最先端のディープラーニングモデル(SOTA)の出現に注目した。
  論文  参考訳（メタデータ） (2022-10-27T20:30:25Z)
• Application of Machine Learning in understanding plant virus pathogenesis: Trends and perspectives on emergence, diagnosis, host-virus interplay and management [1.949912057689623]
  深層学習アルゴリズムは、植物ウイルス学を含むいくつかの分野の生物学における機械学習の適用をさらに促進する。 植物ウイルス学の理解における機械学習の適用の著しい進歩を考えると、このレビューは機械学習に関する序文を強調している。
  論文  参考訳（メタデータ） (2021-12-03T16:25:26Z)
• Modeling Protein Using Large-scale Pretrain Language Model [12.568452480689578]
  学際的な研究者は、大規模な生物学的データセットをモデル化するためにディープラーニング手法を活用し始めている。 自然言語とタンパク質配列の類似性から着想を得て,進化的タンパク質配列をモデル化するために大規模言語モデルを用いた。 本モデルでは,進化規模個別配列の事前学習から進化情報を正確に捉えることができる。
  論文  参考訳（メタデータ） (2021-08-17T04:13:11Z)
• Ten Quick Tips for Deep Learning in Biology [116.78436313026478]
  機械学習は、データのパターンを認識し、予測モデリングに使用するアルゴリズムの開発と応用に関係している。 ディープラーニングは、独自の機械学習のサブフィールドになっている。 生物学的研究の文脈において、ディープラーニングは高次元の生物学的データから新しい洞察を導き出すためにますます使われてきた。
  論文  参考訳（メタデータ） (2021-05-29T21:02:44Z)
• Deep Low-Shot Learning for Biological Image Classification and Visualization from Limited Training Samples [52.549928980694695]
  In situ hybridization (ISH) gene expression pattern image from the same developmental stage。 正確な段階のトレーニングデータをラベル付けするのは、生物学者にとっても非常に時間がかかる。 限られた訓練画像を用いてISH画像を正確に分類する2段階の低ショット学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-10-20T06:06:06Z)

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。