論文の概要: A Review of Artificial Intelligence based Biological-Tree Construction: Priorities, Methods, Applications and Trends
- arxiv url: http://arxiv.org/abs/2410.04815v1
- Date: Mon, 7 Oct 2024 08:00:41 GMT
- ステータス: 処理完了
- システム内更新日: 2024-11-02 01:47:52.525783
- Title: A Review of Artificial Intelligence based Biological-Tree Construction: Priorities, Methods, Applications and Trends
- Title（参考訳）: 人工知能を用いた生物軌道構築の概観--優先順位,方法,応用,動向
- Authors: Zelin Zang, Yongjie Xu, Chenrui Duan, Jinlin Wu, Stan Z. Li, Zhen Lei,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 43.12448177569722
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Biological tree analysis serves as a pivotal tool in uncovering the evolutionary and differentiation relationships among organisms, genes, and cells. Its applications span diverse fields including phylogenetics, developmental biology, ecology, and medicine. Traditional tree inference methods, while foundational in early studies, face increasing limitations in processing the large-scale, complex datasets generated by modern high-throughput technologies. Recent advances in deep learning offer promising solutions, providing enhanced data processing and pattern recognition capabilities. However, challenges remain, particularly in accurately representing the inherently discrete and non-Euclidean nature of biological trees. In this review, we first outline the key biological priors fundamental to phylogenetic and differentiation tree analyses, facilitating a deeper interdisciplinary understanding between deep learning researchers and biologists. We then systematically examine the commonly used data formats and databases, serving as a comprehensive resource for model testing and development. We provide a critical analysis of traditional tree generation methods, exploring their underlying biological assumptions, technical characteristics, and limitations. Current developments in deep learning-based tree generation are reviewed, highlighting both recent advancements and existing challenges. Furthermore, we discuss the diverse applications of biological trees across various biological domains. Finally, we propose potential future directions and trends in leveraging deep learning for biological tree research, aiming to guide further exploration and innovation in this field.
- Abstract（参考訳）: 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。
その応用分野は系統学、発達生物学、生態学、医学など多岐にわたる。
従来の木推論手法は、初期の研究に基礎を置いているが、現代の高スループット技術によって生成される大規模で複雑なデータセットの処理において、限界が増大している。
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。
しかし、課題は、特に自然に離散的で非ユークリッド的な生物学的木の性質を正確に表現することにある。
本総説では, 系統解析および分化木解析の基礎となる生物的前提を概説し, 深層学習研究者と生物学者の間での学際的理解を深める。
次に、一般的に使われているデータ形式とデータベースを体系的に検討し、モデルテストと開発のための包括的なリソースとして機能する。
従来の木生成手法を批判的に分析し,その基礎となる生物学的仮定,技術的特徴,限界について考察する。
ディープラーニングに基づくツリー生成の現況を概観し、最近の進歩と既存の課題を取り上げている。
さらに,様々な生物ドメインにまたがる生物木の多様な応用について論じる。
最後に,生物木研究に深層学習を活用するための将来的な方向性と動向を提案し,この分野のさらなる探索と革新を導くことを目的とする。
関連論文リスト
- Causal Representation Learning from Multimodal Biological Observations [57.00712157758845]
我々は,マルチモーダルデータに対するフレキシブルな識別条件の開発を目指している。
我々は、各潜伏成分の識別可能性を保証するとともに、サブスペース識別結果を事前の作業から拡張する。
我々の重要な理論的要素は、異なるモーダル間の因果関係の構造的空間性である。
論文 参考訳（メタデータ） (2024-11-10T16:40:27Z) - Progress and Opportunities of Foundation Models in Bioinformatics [77.74411726471439]
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。
論文 参考訳（メタデータ） (2024-02-06T02:29:17Z) - 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) - PhyloGFN: Phylogenetic inference with generative flow networks [57.104166650526416]
本稿では,系統学における2つの中核的問題に対処するための生成フローネットワーク(GFlowNets)の枠組みを紹介する。
GFlowNetsは複雑な構造をサンプリングするのに適しているため、木トポロジー上の多重モード後部分布を探索し、サンプリングするのに自然な選択である。
我々は, 実際のベンチマークデータセット上で, 様々な, 高品質な進化仮説を生成できることを実証した。
論文 参考訳（メタデータ） (2023-10-12T23:46:08Z) - Deep Learning in Computational Biology: Advancements, Challenges, and
Future Outlook [0.0]
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。
論文 参考訳（メタデータ） (2023-10-02T07:53:05Z) - Spiking Neural Networks and Bio-Inspired Supervised Deep Learning: A
Survey [9.284385189718236]
バイオインスパイアされたディープラーニングは、現在のモデルの計算能力と生物学的妥当性を向上させる。
近年のバイオインスパイアされたトレーニング手法は、従来のネットワークとスパイクネットワークの両方において、バックプロップの代替手段として機能している。
論文 参考訳（メタデータ） (2023-07-30T13:57:25Z) - GeoPhy: Differentiable Phylogenetic Inference via Geometric Gradients of
Tree Topologies [0.3263412255491401]
連続幾何学空間における位相分布のユニークな表現を利用する、系統推論の新規で完全に微分可能な定式化を導入する。
実際のベンチマークデータセットを用いた実験では、GeoPhyは全トポロジーを考慮した他の近似ベイズ法よりも著しく優れていた。
論文 参考訳（メタデータ） (2023-07-07T15:45:05Z) - Active Inference Tree Search in Large POMDPs [0.0]
POMDPsにおける新しい計画手法--Active Inference Tree Search (AcT)について紹介する。
AcTは、神経科学(Active Inference)における主要な計画理論の規範的性格と生物学的リアリズムと、AIにおける木探索法のスケーラビリティを組み合わせたものである。
シミュレーションの結果、AcTはサンプリングベース手法に挑戦する二分木、適応探索を必要とする問題、そしてAcTが最先端のPOMDPソリューションを再現する大規模POMDP問題「RockSample」をうまくナビゲートしていることがわかった。
論文 参考訳（メタデータ） (2021-03-25T14:17:09Z)
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。