基于基因表达数据的科学发现的 AI 科学家团队

Feb, 2024

基于基因表达数据的科学发现的 AI 科学家团队

Toward a Team of AI-made Scientists for Scientific Discovery from Gene Expression Data

Haoyang Liu, Yijiang Li, Jinglin Jian, Yuxuan Cheng, Jianrong Lu...

TL;DR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。

Abstract

machine learning has emerged as a powerful tool for scientific discovery, enabling researchers to extract meaningful insights from complex datasets. For instance, it has facilitated the identification of

machine learning scientific discovery team of ai-made scientists disease-predictive genes benchmark dataset

发现论文，激发创造

基于深度学习与可解释人工智能的基因组特征选择新算法

本文提出了一种利用自编码器和可解释的基于人工智能的评分来进行特征选择的算法，可用于诊断、预后和精准医疗。该算法在慢性淋巴细胞白血病数据集上应用，能够确定一组有意义的基因，供进一步医学研究参考。

Mar, 2023

GenoTEX: 基于 LLM 的基因表达数据探索与生物信息学家对齐的评估基准

通过引入 GenoTEX 作为一个基准数据集，我们展示了 LLM（大型语言模型）方法在基因组数据分析中的潜力，并提出了 GenoAgents 团队作为解决基因数据集任务的基线算法，同时也指出了改进的挑战和方向。

Jun, 2024

基于统计和机器学习方法的基因表达谱分析的比较分析

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

数据科学中的人工智能协作：探究数据科学家对自动化人工智能的认知

该研究讨论了 AutoAI 或 AutoML 对数据科学实践的影响，并发现未来的数据科学工作将是人类和 AI 系统之间协作的结果，其中自动化和人类专业知识是不可或缺的。

Sep, 2019

通过人工智能代理赋予生物医学发现能力

AI 科学家可以通过与实验平台相结合的协作代理，将机器学习工具与生物医学研究相结合，从而通过怀疑性学习和推理提升生物医学研究的能力。

Apr, 2024

早期科学发现的 AI 研究助理

我们提出了一种基于人工智能的科学研究助手，用于物理学建模中极早期的科学发现，它通过物理学建模中既可解释又通用的本体论，自动搜索可行和简约的假设，并将列举的假设自动编译到特定于域的可解释和可训练 / 可测试张量计算图中来学习现象学关系，从而有效地提高了科学家的工作效率。

Feb, 2022

面向语言驱动的科学人工智能

基于 AI 在自然语言理解和生成方面的革命性进展，我们设计了能够解决复杂科学任务的 AI 系统，并将自然语言作为 AI 与人类科学家之间的核心表示、推理和交换格式。本文旨在探讨实现这一愿景所面临的主要研究挑战。

Oct, 2022

一个无障碍人工智能系统

我们介绍了一项旨在开发开源且用户友好的人工智能系统，以用于生物医学和医疗保健领域复杂数据的机器学习分析，其中遗传编程技术可以帮助实现，并且强调了以前项目中遗传编程已经自动进行了机器学习分析的具体示例。

May, 2017

科学中的人工智能：一个新兴议程

本报告总结了 Dagstuhl Seminar 22382“科学中的机器学习：桥接数据驱动和机理建模” 的讨论并提出了如何协作来推动人工智能和科学发现的新一波进展的路线图。

Mar, 2023

利用人工智能与人工智能了解人类加速科学

该研究表明，将人类专业知识的分布纳入考虑，并以此训练无监督的人工智能模型，能够显著提高 AI 对未来发现的预测能力，特别是在相关文献稀缺的情况下，这些模型成功预测出人类预测和可能做出预测的科学家，为科学进步开创新的前沿。

Jun, 2023