論文の概要: Foundation Models for AI-Enabled Biological Design

• arxiv url: http://arxiv.org/abs/2505.11610v1
• Date: Fri, 16 May 2025 18:17:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-20 14:57:10.734247
• Title: Foundation Models for AI-Enabled Biological Design
• Title（参考訳）: AIで実現可能な生体設計のための基礎モデル
• Authors: Asher Moldwin, Amarda Shehu,
• Abstract要約: サーベイは、タンパク質工学、小さな分子設計、ゲノム配列設計といったタスクに大規模で自己監督的なモデルを適用することに焦点を当てている。 調査は、オープンな問題と今後の方向性に関する議論から締めくくり、生物学的配列生成の質を改善するための具体的な次のステップを提供する。
• 参考スコア（独自算出の注目度）: 1.756098539285553
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper surveys foundation models for AI-enabled biological design, focusing on recent developments in applying large-scale, self-supervised models to tasks such as protein engineering, small molecule design, and genomic sequence design. Though this domain is evolving rapidly, this survey presents and discusses a taxonomy of current models and methods. The focus is on challenges and solutions in adapting these models for biological applications, including biological sequence modeling architectures, controllability in generation, and multi-modal integration. The survey concludes with a discussion of open problems and future directions, offering concrete next-steps to improve the quality of biological sequence generation.
• Abstract（参考訳）: 本稿では, タンパク質工学, 小分子設計, ゲノム配列設計などの課題に, 大規模で自己制御的なモデルを適用した最近の発展に焦点を当て, 生物設計の基礎モデルについて検討する。 この領域は急速に進化しているが、この調査は現在のモデルと手法の分類を提示し議論している。 その焦点は、生物学的シーケンスモデリングアーキテクチャ、世代制御性、マルチモーダル統合など、これらのモデルを生物学的応用に適用する際の課題と解決策である。 この調査は、オープンな問題と今後の方向性に関する議論から締めくくられ、生物学的配列生成の質を改善するための具体的な次のステップが提供される。

関連論文リスト

• Generative Models in Computational Pathology: A Comprehensive Survey on Methods, Applications, and Challenges [44.77761945679817]
  生成モデリングは、計算病理学において有望な方向として現れてきた。 生成モデルは、データ効率の学習、合成データ拡張、マルチモーダル表現などの機能を提供する。 このレビューは、この分野における最近の進歩の総合的な合成を提供する。
  論文  参考訳（メタデータ） (2025-05-16T08:44:50Z)
• Biomedical Foundation Model: A Survey [84.26268124754792]
  ファンデーションモデルは、広範なラベルなしデータセットから学習する大規模な事前訓練モデルである。 これらのモデルは、質問応答や視覚的理解といった様々な応用に適応することができる。 本研究は,生物医学分野における基礎モデルの可能性を探るものである。
  論文  参考訳（メタデータ） (2025-03-03T22:42:00Z)
• GENERator: A Long-Context Generative Genomic Foundation Model [66.46537421135996]
  本稿では,98k塩基対 (bp) と1.2Bパラメータからなるゲノム基盤モデル GENERator を提案する。 DNAの386Bbpからなる拡張データセットに基づいて、GENERatorは、確立されたベンチマークと新しく提案されたベンチマークの両方で最先端のパフォーマンスを実証する。 また、特に特定のアクティビティプロファイルを持つエンハンサーシーケンスを即応的に生成することで、シーケンス最適化において大きな可能性を秘めている。
  論文  参考訳（メタデータ） (2025-02-11T05:39:49Z)
• Rethinking Molecular Design: Integrating Latent Variable and Auto-Regressive Models for Goal Directed Generation [0.6800113478497425]
  我々は、分子の最も単純な表現に戻り、古典的生成的アプローチの見過ごされた制限を調査する。 本稿では, 分子配列の妥当性, 条件生成, スタイル伝達を改善するために, 両者の強みを生かした, 新規な正則化器の形でのハイブリッドモデルを提案する。
  論文  参考訳（メタデータ） (2024-08-19T11:50:23Z)
• RudolfV: A Foundation Model by Pathologists for Pathologists [13.17203220753175]
  計算病理学の基礎モデルを設計するための新しいアプローチを提案する。 我々のモデル "RudolfV" は、様々なベンチマークで既存の最先端基盤モデルを上回っています。
  論文  参考訳（メタデータ） (2024-01-08T18:31:38Z)
• 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)
• Conditional Generative Models for Simulation of EMG During Naturalistic Movements [45.698312905115955]
  本稿では、運動単位活性化電位波形を生成するために、逆向きに訓練された条件付き生成ニューラルネットワークを提案する。 本研究では,より少ない数の数値モデルの出力を高い精度で予測的に補間できることを実証する。
  論文  参考訳（メタデータ） (2022-11-03T14:49:02Z)

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。