زیست‌فناوری

چارچوبی برای ارزیابی دقیق‌تر مدل‌های هوش مصنوعیِ خوشه‌های ژنی زیست‌ساختی پیشنهاد شد

پیش‌چاپی در arXiv می‌گوید معیارهای رایج، به‌دلیل اتکا به داده‌های محدود و طبقه‌بندی‌های کلی، توان کافی برای سنجش تفاوت مدل‌ها و کاربردهای بعدی آن‌ها ندارند.

۱ دقیقه مطالعه
Figure 1: BGC-Bench evaluation design framework. Applicability is characterized along a generalization axis (random, phenotype-shift and genotype-shift splits) and a functionality axis (tasks from broad class prediction
تصویر درج‌شده در مقالهٔ اصلی؛ حقوق بازنشر مستقل تأیید نشده است. — arXiv · AI (پیش‌چاپ) · پرونده اصلی · منبع تصویر: ناشر خبر

خوشه‌های ژنی زیست‌ساختی (BGCs) مجموعه‌ای از ژن‌های کنارهم هستند که ساخت متابولیت‌های تخصصی را رمزگذاری می‌کنند؛ ترکیباتی که منبعی برای آنتی‌بیوتیک‌ها، داروهای ضدسرطان، سرکوب‌کننده‌های ایمنی و مواد زیست‌فعال کشاورزی‌اند. با گسترش مدل‌سازی توالی BGCها با یادگیری عمیق، ازجمله مدل‌های پایهٔ خودنظارتی، نیاز به ارزیابی بهتر این مدل‌ها پررنگ‌تر شده است.

نویسندگان پیش‌چاپی در arXiv چارچوبی برای طراحی معیارهای ارزیابی پیشنهاد می‌کنند. به‌گفتهٔ آن‌ها، معیارهای موجود اغلب بر مجموعه‌داده‌های کوچک و گزینش‌شده و طبقه‌بندی‌های کلی تکیه دارند؛ در نتیجه، تفاوت میان مدل‌ها را به‌خوبی نشان نمی‌دهند و دربارهٔ فایدهٔ آن‌ها برای کاربردهای بعدی اطلاعات محدودی می‌دهند. چارچوب پیشنهادی بر دو ویژگی تأکید دارد: معیار باید بتواند مدل‌ها را با اطمینان آماری از هم تفکیک کند و وظایف معنادار علمی را در سطوح مختلف پوشش دهد.

این گزارش به کمک هوش مصنوعی تهیه شده است. مطالب براساس منابع درج‌شده تنظیم شده‌اند؛ صحت مستقل همه ادعاها تضمین نمی‌شود.

منبع: arXiv · AI (پیش‌چاپ) — مشاهده منبع اصلی ↗

پیش‌چاپ پژوهشی در arXiv؛ انتشار در این مخزن به معنی داوری همتا نیست