Jun, 2024

深度学习方法开发在计算生物学中的机遇

PDF
TL;DR分子技术的进展推动了与生物学和生物医学相关的数据集的巨大增长。这些进展与机器学习中的深度学习子领域相似。可微分编程工具箱中的组件使深度学习成为可能，使计算机科学家能够用灵活和有效的工具解决越来越多的问题。然而，这些工具中许多尚未充分应用于计算生物学和生物信息学领域。在这个观点中，我们对其中一些进展进行了调查，并强调它们在生命科学中的应用，以增加从业人员对将专业知识与新兴的深度学习架构工具相结合的新机遇的认识。
发现论文，激发创造
  • 生物信息学中的深度学习

    本文介绍了深度学习在生物信息学中的应用， 并按生物信息学领域（组学，生物医学成像，生物医学信号处理）和深度学习架构（深度神经网络，卷积神经网络，循环神经网络，新兴架构）将其进行分类，同时讨论了深度学习在生物信息学中存在的理论和实际问题，并提出了未来的研究方向。

    Mar, 2016

  • 计算生物学中的深度学习：进展、挑战与未来展望

    深度学习在计算生物学中的历史、优势、挑战，以及应用于 DNA 序列分类、蛋白质结构预测等方面的前景进行了综述，强调了需要解决大规模标记数据集和深度学习模型可解释性等挑战以充分发挥其潜力，对于检测基因组变异、分析基因表达等方面带来了重要的转变，同时在表观遗传学数据分析和蛋白质结构预测方面也取得了显著进展，展望了深度学习在计算生物学中的未来前景。

    Oct, 2023

  • 应用深度学习和强化学习于生物数据

    本文综述深度学习、强化学习和深度强化学习等技术在生物数据挖掘中的应用，并比较了这些技术应用于不同数据集在各个应用领域的表现，最后概述了这个具有挑战性的研究领域中的未解决问题和未来发展前景。

    Nov, 2017

  • 机器学习在科学发现中的机遇

    科学界利用机器学习技术进行科学探索的能力正在初生阶段，然而，机器学习的原理应用正在为基础科学发现开辟新的途径，尤其在处理观测数据的复杂性方面。

    May, 2024

  • 基于机器学习和深度学习的脑神经计算：综述

    人工智能对生物医学研究和其他领域有着深远的影响。大脑启发式计算是多模态技术和生物医学领域的重要交叉点。该论文全面回顾了大脑启发式计算中机器学习（ML）和深度学习（DL）模型的演变、应用价值、挑战和潜在研究轨迹。

    Dec, 2023

  • 生命科学中的计算：从早期算法到现代人工智能

    计算在生命科学中的发展历程以及人工智能和机器学习在现代生命科学研究中的应用和影响。

    Jun, 2024

  • 计算化学中的深度学习

    本文综述了深度神经网络在计算化学等领域中的广泛应用和优越表现，强调它作为一种有价值的机器学习工具在未来将发挥重要作用。

    Jan, 2017

  • 生物和医学数据集成的机器学习：原理、实践和机遇

    本综述介绍了多种技术在生物医学领域上的成功应用，讨论了数据整合的原则、当前方法和可用的实现，探讨了综合方法的挑战和未来发展方向。

    Jun, 2018

  • 揭示深度学习的前沿：塑造多样领域的创新

    通过综合研究文献，本文广泛探讨了深度学习在各个学科中的潜在应用，以及相关的优势和挑战，验证了深度学习在预测分析方面的准确性和优势，使其成为一种强大的计算工具。深度学习独立于训练数据，因此需要大量的数据进行有效的分析和处理。为了处理大量的医疗、科学、医疗保健和环境数据，可以利用诸如 LSTMs 和 GRUs 的门控架构。对于多模态学习，神经网络中的共享神经元和特定任务的专用神经元是必要的。

    Sep, 2023

  • 医疗保健中的深度学习：详细分析

    本文综述了深度学习模型及其在生物信息学和医疗保健领域中的广泛应用，涵盖了不同结构的 DL 模型，并讨论了进行 DL 研究时可能遇到的一些关键挑战。

    Feb, 2023