知识卡片
学习模型可辅助变异识别
变异识别不只依赖手工规则,也可训练模型从相关观测中学习区分真实变化与误差的模式。原文介绍将计算机视觉和卷积神经网络的思路用于这一任务。具体表示、训练数据与评估范围仍须核实,不能把‘用了深度学习’当成所有样本均更准确的保证。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 信息革命对生物学研究的影响 学习型分析的输入限制与生物异质性 · 查看原书依据
在基因组学研究中,谷歌的研究人员利用计算机视觉和卷积神经网络领域的最新深度学习技术,提高了变异识别的预测水平。 机器学习已经展示出它在组学数据规律挖掘中的重要价值,同时,它还是少有的可以实现有效降维的方法,这一点对于单细胞RNA测序数据的处理尤为重要。 Cho H, Wu DJ, Berger B.
参考来源
- 位置:《人工智能与计算生物的未来 (【美】布赖恩·希尔布什)》信息革命对生物学研究的影响,学习型分析的输入限制与生物异质性(源项目a19c7933-4eda-4176-aebd-30fe7e1ad292,源文件:extracted/人工智能与计算生物的未来 (【美】布赖恩·希尔布什)/_epub-src/EPUB/xhtml/Section02.xhtml)
- 结论依据:原文对该概念的说明、比较或案例支撑本卡解释;历史案例不等于当前临床有效性或监管认可。已经核验的边界与书中陈述分开。
- 原始内容:在基因组学研究中,谷歌的研究人员利用计算机视觉和卷积神经网络领域的最新深度学习技术,提高了变异识别的预测水平。 机器学习已经展示出它在组学数据规律挖掘中的重要价值,同时,它还是少有的可以实现有效降维的方法,这一点对于单细胞RNA测序数据的处理尤为重要。 Cho H, Wu DJ, Berger B.