دانلود ترجمه مقاله نسل بعدی یادگیری ماشین برای شبکه های بیولوژیکی

1. مقدمه 2. مبانی یادگیری ماشین 2.1. اصول یادگیری ماشین 2.2. دسته بندی روش های یادگیری ماشین 2.3. استفاده از یادگیری ماشین در زمینه های بیولوژیکی 2.4. یادگیری عمیق: نسل بعدی یادگیری ماشین 3. تقاطع یادگیری ماشین و بیولوژی شبکه 3.1. بیولوژی بیماری 3.2. کشف دارو 3.3. تحقیقات میکروبیومی 3.4. بیولوژی ترکیبی 3.5. چالش ها و نگاهی به آینده

چکیده – یادگیری ماشین، که مجموعه ای از روش های تحلیل داده با هدف ایجاد مدل های پیش بین از دیتابیس های چندبعدی می باشد، به جزء لاینفک تحقیقات بیولوژیکی و زیستی مدرن تبدیل شده است. با ایجاد مدلی که بتواند از دیتابیس های مختلف یاد بگیرد و خروجی های محتمل را پیش بینی کند، یادگیری ماشین را می توان برای بررسی سیستم های پیچیده سلولی مانند شبکه های بیولوژیکی مورد استفاده قرار داد. در اینجا، ما مبانی یادگیری ماشین شامل مقدمه ای بر یادگیری عمیق را ارائه داده ایم. ما ما فرصت ها و چالش های تقاطع یادگیری ماشین و بیولوژی شبکه را مورد بحث قرار داده ایم که این موضوع می تواند تاثیر به سزایی روی بیولوژی بیماری، کشف دارو، تحقیقات میکروبیوم و بیولوژی ترکیبی و مصنوعی داشته باشد. مقدمه: در طی دهه گدشته، شاهد افزایش قابل توجه دیتابیس های پیچیده و بزرگی بوده ایم که نشات گرفته از آزمایشات بیولوژیکی، و شناسایی متغیرهای مولکولی مانند ژن، پروتئین، متابولیت ها، ترکیبات میکروبیوم، و تنوع ژنتیکی در جمعیت بوده اند. اقدامات و تحقیقات انجام گرفته در این رشته مطالعاتی نیز منجر به تولید داده های بسیار زیادی در حد پتابایت شده است. به عنوان مثال، اطلس ژنوم سزطان، یک سری اندازه گیری های چندین عاملی را از بین 30000 بیمار از انواع مختلف سرطان انجام داده و در این بین، حدود 2.5 پتابایت داده خام جمع آوری کرده است. پروژه هایی از حوزه های مشابه، مانند پروژه میکروبیوم انسانی، کنسرسیوم پروژه ENCODE، و 100000 پروژه ژنوم، داده های زیادی را در سطح باکتریایی تا انسانی تولید کرده اند.

Machine learning, a collection of data-analytical techniques aimed at building predictive models from multi-dimensional datasets, is becoming integral to modern biological research. By enabling one to generate models that learn from large datasets and make predictions on likely outcomes, machine learning can be used to study complex cellular systems such as biological networks. Here, we provide a primer on machine learning for life scientists, including an introduction to deep learning. We discuss opportunities and challenges at the intersection of machine learning and network biology, which could impact disease biology, drug discovery, microbiome research, and synthetic biology. Introduction: Over the last decade, we have seen a dramatic increase in the number of large, highly complex datasets being generated from biological experiments, quantifying molecular variables such as gene, protein, and metabolite abundance, microbiome composition, and population-wide genetic variation, to name just a few. Community efforts across research disciplines are regularly generating petabytes of data. For example, The Cancer Genome Atlas has sampled multiple -omics measurements from over 30,000 patients across dozens of different cancer types, totaling over 2.5 petabytes of raw data. Projects of similar scope, such as the Human Microbiome Project, the ENCODE Project Consortium, and the 100,000 Genomes Project, are generating overwhelming amounts of data from bacteria to humans.