XiaoMi-AI文件搜索系统
World File Search SystemBiomedicine
生物医学中的机器学习（PI：Christoph Bock）
首席研究员（https://www.bocklab.org/people）克里斯托夫·博克（Christoph Bock）是CEMM的首席研究员，也是维也纳医科大学的[BIO]医学信息教授。他的研究结合了生物学（单细胞测序，表观遗传学，CRISPR筛查，合成生物学）与计算（生物信息学，机器学习，人工智能） - 用于癌症，免疫学和精度医学。克里斯托夫·博克（Christoph Bock）还是CEMM生物医学主持设施的科学协调员，人类细胞地图集（HCA）成员组织了欧洲学习与智能系统（ELLIS）的欧洲实验室委员会委员会，并当选为奥地利科学院的年轻学院成员。他获得了重要的研究奖，包括ERC首发赠款（2016-2021），ERC合并赠款（2021-2026），Max Planck Soci-Ety的Otto Hahn奖章（2009年），国际计算生物学学会的Opterton奖（2017年）和Erwin Schrourian Actorecence（2017年）和国际计算生物学学院（2017年）。自2019年以来，他一直被列为世界上“高度引用的研究人员”（ISI）。他共同创立了维也纳的两家初创公司：Myllia Biotechnology和Neurolentech。
CSCI 699：医疗保健和生物医学的机器学习
课程描述本课程提供了一个独特的机会，可以探索机器学习如何重塑医疗保健和生物医学的景观。拥有大量的医疗保健数据以及医疗挑战的复杂性，机器学习和医疗保健的融合从未有过更多的相关性，为增强患者护理，加速药物发现并释放了对人类健康的更深入了解的激动人心的机会。这是一个关键时刻，机器学习算法和数据驱动的见解正在为更美好，更健康的未来铺平道路。本课程旨在针对对机器学习概念有基本理解并热衷于应对重大医疗保健和生物医学挑战的学生。在本课程中，我们将在简化药物发现，临床试验，疾病诊断和精密医学的流线中剖析机器学习应用。通过分析尖端研究，专家的客座讲师以及从事团队项目的工作，学生将对机器学习如何改变医疗保健和生物医学有一定的了解。学习目标和成果学生将对医疗保健和生物医学中当前的计算挑战以及机器学习算法的设计进行全面了解，以应对这些挑战。本课程将使学生具备精通研究，审查和本研究论文的技能。此外，学生将学习如何在医疗保健生物医学领域进行机器学习研究并应对挑战。先决条件： - 共同条件（S）： - 并发入学： - 建议准备：CSCI 567或DSCI 552或其他研究生级的机器学习课程，或熟悉机器学习。
人工智能模型可解释性的理论框架及其在生物医学中的应用
摘要 — 可解释人工智能 (XAI) 是人工智能界一个充满活力的研究课题。它引起了各种方法和领域的关注，尤其是那些涉及高风险决策的领域，例如生物医学领域。关于这个主题的文章已经很多，但 XAI 仍然缺乏共享的术语和能够为解释提供结构合理性的框架。在我们的工作中，我们通过提出一种新颖的解释定义来解决这些问题，该定义综合了文献中的内容。我们认识到解释不是原子的，而是来自模型及其输入输出映射的证据与人类对这些证据的解释的组合。此外，我们将解释纳入忠实性（即，解释是对模型内部运作和决策过程的准确描述）和可信度（即，解释对用户的说服力有多大）的属性中。我们的理论框架简化了这些属性的操作方式，并为我们作为案例研究分析的常见解释方法提供了新的见解。我们还讨论了我们的框架可能对生物医学产生的影响，这是一个非常敏感的应用领域，XAI 可以在建立信任方面发挥核心作用。索引术语 — 可解释性、机器学习、生物医学
Charlson综合征指数预测胰腺癌患者的存活率接受免疫疗法
近年来，由于其在精确的药物输送和受控释放方面具有独特的优势，响应式纳米材料在生物医学应用中具有巨大的潜力。对于癌症，慢性炎症和遗传疾病等复杂疾病，传统治疗方法通常受到不足的靶向和显着副作用的限制。通过感知内部或外部刺激的响应式纳米技术，显着提高了治疗的精度和效率。这项研究系统地总结了通过全球专利和文献数据的响应纳米材料的技术轨迹和新兴研究方向，采用了主要路径分析，衍生途径分析和关键字同时出现分析。结果揭示了这一领域的演变，从对早期单刺激反应性的纳米递送系统的优化到治疗学整合的兴起，然后在多刺激性响应性的协同疗法中进步，并最终在生物含量材料设计中创新。每个发育阶段越来越集中于适应复杂的生物学环境，实现卓越的靶向性能并增强治疗性效率。关键字共发生分析突出了关键的研究热点，包括仿生设计，多模式协同疗法和新兴响应机制。将来，响应式纳米材料有望在个性化医学，多功能载体设计和复杂的疾病管理中发挥关键作用，从而为精密医学提供新颖的见解和技术支持。
研究文章从生物医学和
微生物是肠道健康的重要因素。，但维护微生物是一生的责任。它不是一种“捷径方式”，因为您拿起一些平板电脑并从其造成的损害中获得终身自由。微生物可用于消化食物，根据阿育吠陀（Ayurveda）的说法，消化火的Agni也解释了同样的任务。消化火力应由某些饮食规则维护。类似地，应通过细致的饮食和规则来维持微生物治理。作为阿育吠陀的老师和研究人员，我在Agni概念和微生物中发现了许多相似之处。然而，生物医学中的微生物修复治疗和药物成本的副作用。尤其是诸如粪便移植之类的程序可以通过阿育吠陀的简单补救措施来交换。本文侧重于相同的理解。本文的最初部分解释了生物医学中微生物修复的所有补救措施，后来解释了阿育吠陀的Agni补救措施。在我们看来，AGNI维护的规则可能实现微生物维护的目标，因为两者都像“ Goldilocks原则”。在这种观点中需要更实用的研究。探索这个概念，让我们了解生物医学的一些术语。
基于图像和临床生物医学的多模态机器学习：调查与展望
摘要 机器学习 (ML) 在医学人工智能 (AI) 系统中的应用已从传统和统计方法转变为越来越多地使用深度学习模型。本综述介绍了多模态 ML 的当前发展情况，重点介绍了其对医学图像分析和临床决策支持系统的深远影响。本文强调了解决多模态表示、融合、翻译、对齐和共同学习方面的挑战和创新，探讨了多模态模型对临床预测的变革潜力。它还强调了对此类模型进行原则性评估和实际实施的必要性，并引起了人们对决策支持系统与医疗保健提供者和人员之间动态关系的关注。尽管取得了进展，但许多生物医学领域仍然存在数据偏见和“大数据”稀缺等挑战。最后，我们讨论了原则性创新和协作努力，以进一步实现将多模态 ML 模型无缝集成到生物医学实践中的使命。
RTX-KG2：构建转化生物医学语义标准化知识图谱的系统
背景：生物医学转化科学越来越多地利用大型结构化知识库（如统一医学语言系统 (UMLS)、语义医学数据库 (SemMedDB)、ChEMBL、DrugBank 和小分子途径数据库 (SMPDB)）和数据的计算推理，以促进发现新的治疗目标和治疗方式。自 2016 年以来，NCATS 生物医学数据翻译器项目一直致力于在分布式系统内联合自主推理代理和知识提供者，以回答转化问题。在该项目内以及更广泛的领域内，迫切需要一个开源框架，可以有效且可重复地构建一个集成的、符合标准的、全面的生物医学知识图谱，该图谱可以以标准序列化形式下载或通过符合 FAIR 数据原则的公共应用程序编程接口 (API) 进行查询。
原发性和转移性结直肠癌的系统生物医学揭示潜在的治疗靶点
未经同行评审认证）是作者/资助者。保留所有权利。未经许可不得重复使用。此预印本的版权所有者（此版本于 2020 年 7 月 16 日发布。；https://doi.org/10.1101/2020.01.25.919415 doi：bioRxiv preprint
通过大型语言模型的指令调整生物医学中的实体识别
结果：我们开发了一种基于指导的学习范式，该范式将生物医学NER从序列标记任务转换为一代任务。此范式是端到端的，并通过自动重新利用先前存在的生物医学NER数据集来简化培训和评估过程。，我们使用拟议的范式将llama-7b作为基础LLM进一步开发了Bioner-lalama。我们对三个公认的生物医学数据集进行了对Bioner-lalama的广泛测试，该数据集由与疾病，化学物质和基因有关的实体组成。结果表明，与具有不同生物医学实体的数据集中的GPT-4相比，Bioner-lalama始终达到的F1得分范围从5％到30％。我们表明，通用域LLM可以与严格微调的PubMedbert模型和PMC-llama（生物医学特异性语言模型）相匹配。我们的发现强调了我们提出的范式在开发一般域LLM中的范式，这些范式可以与生物医学和健康应用中的多任务，多域中的SOTA表现相媲美。
原发性和转移性结直肠癌的系统生物医学揭示潜在的治疗靶点
图 1. 实现治疗遗传目标的荟萃分析流程图。从不同的数据库中提取基因表达数据集。使用 R 编程语言对数据进行分析和可视化。通过分析测试数据集获得 DEG，然后通过验证数据集进行验证。使用 STRING 数据库从 DEG 构建 PPI 网络，使用 R 软件分析网络，使用 Cytoscape 对网络进行可视化，并从 ClueGO Cytoscape 插件和 Enrichr 在线工具获得富集结果。接下来，使用生存分析和表达谱对表达结果进行进一步验证。最后，将我们的结果与其他研究进行比较，并询问已验证 DEG 的分子机制以提出靶向疗法的组合。