論文の概要: Progress and Opportunities of Foundation Models in Bioinformatics
- arxiv url: http://arxiv.org/abs/2402.04286v1
- Date: Tue, 6 Feb 2024 02:29:17 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-08 18:31:33.858059
- Title: Progress and Opportunities of Foundation Models in Bioinformatics
- Title（参考訳）: バイオインフォマティクスにおける基礎モデルの進展と可能性
- Authors: Qing Li, Zhihang Hu, Yixuan Wang, Lei Li, Yimin Fan, Irwin King, Le
Song, Yu Li
- Abstract要約: 基礎モデル(FM)は、特に深層学習の領域において、計算生物学の新しい時代に定着した。
我々の焦点は、特定の生物学的問題にFMを応用することであり、研究ニーズに適切なFMを選択するために研究コミュニティを指導することを目的としています。
データノイズ、モデル説明可能性、潜在的なバイアスなど、生物学においてFMが直面する課題と限界を分析します。
- 参考スコア（独自算出の注目度）: 77.74411726471439
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Bioinformatics has witnessed a paradigm shift with the increasing integration
of artificial intelligence (AI), particularly through the adoption of
foundation models (FMs). These AI techniques have rapidly advanced, addressing
historical challenges in bioinformatics such as the scarcity of annotated data
and the presence of data noise. FMs are particularly adept at handling
large-scale, unlabeled data, a common scenario in biological contexts due to
the time-consuming and costly nature of experimentally determining labeled
data. This characteristic has allowed FMs to excel and achieve notable results
in various downstream validation tasks, demonstrating their ability to
represent diverse biological entities effectively. Undoubtedly, FMs have
ushered in a new era in computational biology, especially in the realm of deep
learning. The primary goal of this survey is to conduct a systematic
investigation and summary of FMs in bioinformatics, tracing their evolution,
current research status, and the methodologies employed. Central to our focus
is the application of FMs to specific biological problems, aiming to guide the
research community in choosing appropriate FMs for their research needs. We
delve into the specifics of the problem at hand including sequence analysis,
structure prediction, function annotation, and multimodal integration,
comparing the structures and advancements against traditional methods.
Furthermore, the review analyses challenges and limitations faced by FMs in
biology, such as data noise, model explainability, and potential biases.
Finally, we outline potential development paths and strategies for FMs in
future biological research, setting the stage for continued innovation and
application in this rapidly evolving field. This comprehensive review serves
not only as an academic resource but also as a roadmap for future explorations
and applications of FMs in biology.
- Abstract（参考訳）: バイオインフォマティクスは、人工知能(AI)の統合の増加、特に基礎モデル(FM)の採用によるパラダイムシフトを目撃している。
これらのAI技術は急速に進歩し、注釈付きデータの不足やデータノイズの存在といったバイオインフォマティクスの歴史的課題に対処している。
fmsは、ラベル付きデータを実験的に決定する時間とコストのかかる性質のため、生物学的文脈において一般的なシナリオである、大規模でラベル付きデータを扱うのに特に適している。
この特徴により、FMは様々な下流検証タスクにおいて顕著な成果を上げ、多様な生物学的実体を効果的に表現する能力を示すことができる。
fmsは計算生物学、特に深層学習の分野で新しい時代を迎えていることは間違いない。
本調査の主な目的は,生物情報学におけるFMの体系的調査と要約を行い,その進化の追跡,研究状況,採用方法について述べることである。
我々の焦点は、特定の生物学的問題に対するFMの応用であり、研究ニーズに対して適切なFMを選択するための研究コミュニティの指導を目的としています。
現状の課題には,シーケンス解析,構造予測,関数アノテーション,マルチモーダル統合などがあり,従来の手法と比較する。
さらに, fmsが直面するデータノイズ, モデル説明可能性, 潜在的なバイアスなど, 生物学における課題と限界についても検討した。
最後に,今後の生物学的研究におけるFMの潜在的な開発経路と戦略を概説し,この急速に発展する分野におけるイノベーションと応用の段階を定めている。
この包括的なレビューは学術的な資源としてだけでなく、生物学におけるfmsの今後の研究と応用のロードマップとしても機能する。
関連論文リスト
- A Comprehensive Survey of Foundation Models in Medicine [8.879092631568263]
ファンデーションモデル(FM)は、自己教師技術を用いて広範囲のデータセットでトレーニングされた大規模なディープラーニングモデルである。
私たちは、医療におけるFMの歴史、学習戦略、旗艦モデル、アプリケーション、課題に焦点を当てています。
論文 参考訳（メタデータ） (2024-06-15T20:04:06Z) - Simplicity within biological complexity [0.0]
文献を調査し、マルチスケール分子ネットワークデータの埋め込みのための包括的フレームワークの開発について論じる。
ネットワーク埋め込み手法はノードを低次元空間の点にマッピングすることにより、学習空間の近接性はネットワークのトポロジ-関数関係を反映する。
本稿では,モデルから効率的かつスケーラブルなソフトウェア実装に至るまで,マルチオミックネットワークデータのための汎用的な包括的埋め込みフレームワークを開発することを提案する。
論文 参考訳（メタデータ） (2024-05-15T13:32:45Z) - Open Challenges and Opportunities in Federated Foundation Models Towards Biomedical Healthcare [14.399086205317358]
ファンデーションモデル(FM)は、教師なし事前訓練、自己教師付き学習、微調整の指導、人間のフィードバックからの強化学習など、膨大なデータセットで訓練される。
これらのモデルは、臨床報告、診断画像、マルチモーダル患者間相互作用などの多様なデータフォームの処理を必要とする生体医学的応用に不可欠である。
FLをこれらの洗練されたモデルに組み込むことは、機密性の高い医療データのプライバシーを守りながら、分析能力を活用するという有望な戦略を示す。
論文 参考訳（メタデータ） (2024-05-10T19:22:24Z) - Seeing Unseen: Discover Novel Biomedical Concepts via
Geometry-Constrained Probabilistic Modeling [53.7117640028211]
同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。
構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。
スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
論文 参考訳（メタデータ） (2024-03-02T00:56:05Z) - 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) - 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) - BioBridge: Bridging Biomedical Foundation Models via Knowledge Graphs [27.32543389443672]
独立に訓練された単調FMをブリッジしてマルチモーダル動作を確立するための,パラメータ効率のよい新しい学習フレームワークであるBioBridgeを提案する。
実験結果から,BioBridgeは最高基準のKG埋め込み法に勝ることを示した。
また、BioBridgeは、未知のモダリティや関係を外挿することで、ドメイン外一般化能力を示す。
論文 参考訳（メタデータ） (2023-10-05T05:30:42Z) - 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。