通过应用模糊基因选择技术,本研究提出了一个新的肿瘤分类模型,优于标准 MLP 方法,并在生物医学科学领域中提高了基因表达数据的分类准确性。
May, 2023
机器学习模型在表达基因数据的表型分类方面取得了好的性能,通过提取决策的解释,这些模型能提供对表型的理解,讨论了这种解释的生物学和方法论限制,并在癌症和健康组织样本的多个数据库上进行了实验。
Feb, 2024
利用团队人工智能科学家的新框架,通过机器学习大语言模型协同工作以提高科学探索的效率和范围,实现自动化科学发现。这一框架以疾病预测基因鉴定为重点,并使用一个参考数据集评估其有效性。
基于深度学习的生存预测模型中的两种基因选择策略,一种利用稀疏性诱导方法,另一种利用重要性基因选择来识别相关基因,通过广泛的实验验证表明,该策略不仅可以识别具有高预测能力的基因特征用于生存结局,还可以简化低成本基因组筛查过程,为个体化医学和靶向癌症治疗的推进提供了一个可伸缩且有效的工具。
Mar, 2024
在 GWAS 数据中,本研究引入了一种针对超高维数据的特征选择方法,该方法利用 Frobenius 范数惩罚增强学生网络的适应能力,通过自动编码器或监督自动编码器进行维度约简,以及经过正则化的前馈模型进行精确特征选择,在实验中展示了其在 GWAS 数据特征选择中的高效性和灵活性。
Dec, 2023
该研究提出了一种深度生成式机器学习架构(称为 DeepCancer),通过对未标记的微阵列数据进行特征学习,帮助对癌症进行诊断。该模型在两个不同的临床数据集上进行了测试,并证明了其精确度较高,可显著控制假阳性和假阴性评分。
Dec, 2016
该研究利用神经网络学习基因组表示,以预测癌症患者的生存情况,并证明该方法相较现有的生存分析方法具有优势。
Sep, 2016
本文研究了利用下一代测序技术进行基因组测序以及使用机器学习模型预测 LoFtool 分数和基因突变的相关特性,通过建立多个模型并评估其性能,得到了测试集 r 平方值为 0.97 的结果。
Jan, 2024
通过比较分析,本研究证明了生物启发式优化算法在慢性疾病预测的特征选择中的有效性,并强调了数据预处理的重要性,为提高医疗保健结果提供了宝贵的见解。
人工智能特别是机器学习和深度学习模型对生物信息学研究产生了重大影响,但这些模型的可解释性和透明度不足在深入的生物学见解和生成可检验的假设方面存在挑战。可解释人工智能 (XAI) 已经成为增强生物信息学中人工智能模型的透明性和可解释性的有希望的解决方案。本综述详细分析了各种 XAI 技术及其在 DNA、RNA 和蛋白质序列分析、结构分析、基因表达和基因组分析以及生物成像分析等各种生物信息学领域中的应用。我们介绍了最相关的机器学习和 XAI 方法,然后讨论了它们的多样应用并解决了现有 XAI 工具的当前限制。通过提供对 XAI 的潜力和挑战的见解,本综述旨在促进其在生物信息学研究中的实际应用,并帮助研究人员探索 XAI 工具的领域。