![MQL5 - Sprache von Handelsstrategien, eingebaut ins Kundenterminal MetaTrader 5](https://c.mql5.com/i/registerlandings/logo-2.png)
Sie verpassen Handelsmöglichkeiten:
- Freie Handelsapplikationen
- Über 8.000 Signale zum Kopieren
- Wirtschaftsnachrichten für die Lage an den Finanzmärkte
Registrierung
Einloggen
Sie stimmen der Website-Richtlinie und den Nutzungsbedingungen zu.
Wenn Sie kein Benutzerkonto haben, registrieren Sie sich
Dimensionsreduktion - Vorlesung 11
Dimensionalitätsreduktion - Vorlesung 11 - Deep Learning in Life Sciences (Frühjahr 2021)
Die Videovorträge zu Deep Learning in den Biowissenschaften befassen sich mit Techniken zur Dimensionsreduktion für Clustering und Klassifikation in der Einzelzell-Datenanalyse. Die Vorlesungen unterscheiden zwischen überwachtem und unüberwachtem Lernen und untersuchen die Verwendung statistischer Hypothesentest-Frameworks zur Bewertung der differentiellen Expression von Genen. Die Vorlesung führt in das Konzept des vielfältigen Lernens unter Verwendung von Hauptkomponentenanalyse, Eigenzerlegung und Singulärwertzerlegung zur linearen Dimensionsreduktion ein und diskutiert die Methoden der t-verteilten stochastischen Nachbareinbettung und der verteilten stochastischen Nachbareinbettung für die Clustering-Datenerhaltung. Der Referent diskutiert auch die Anwendung der nicht-negativen Matrixfaktorisierung auf genomische Daten und die Integration von Einzelzell- und Multi-Omic-Datensätzen. Das ultimative Ziel dieser Techniken ist es, Zelltypen und Identität auf unvoreingenommene und quantitative Weise neu zu definieren.
Der zweite Teil behandelt mehrere Themen im Zusammenhang mit der Dimensionsreduktion, insbesondere ihre Anwendung in den Biowissenschaften. Die integrative nicht-negative Matrixfaktorisierung (iNMF) wird verwendet, um transkriptomische und epigenomische Profile zu verknüpfen, um die zelluläre Identität in verschiedenen Kontexten besser zu verstehen. Der Vortrag diskutiert auch die Vorteile der Verwendung eines Mini-Batch-Ansatzes im Deep Learning, insbesondere für größere Datensätze, und wie Online-Algorithmen genutzt werden können, um Methoden zur Dimensionsreduktion für die Analyse großer Datensätze zu verbessern. Darüber hinaus wird der Algorithmus eingeführt, um verschiedene Arten von Daten zu integrieren, wie z. B. RNA-seq- und ATAC-seq-Daten. Abschließend erklärt sich der Referent bereit, als Mentor für interessierte Studierende zu fungieren. Insgesamt war der Vortrag informativ und gut angenommen.
Disease Circuitry Dissektion GWAS - Vorlesung 12
Disease Circuitry Dissektion GWAS - Vorlesung 12 - Deep Learning in Life Science (Frühjahr 2021)
Dieses Video zur GWAS zur Dissektion von Krankheitsschaltkreisen behandelt die Grundlagen der Humangenetik, die rechnerischen Herausforderungen für die Interpretation und die verschiedenen Arten genetischer Variationen, die in genomweiten Assoziationsstudien (GWAS) untersucht werden. Das Video untersucht auch Methoden wie Mendelsche Kartierung, Kopplungsanalyse und die Identifizierung von Einzelnukleotidpolymorphismen (SNPs), die mit Krankheiten assoziiert sind. Darüber hinaus erörtert der Referent die Verwendung von Chi-Quadrat-Statistiken, Manhattan-Plots und QQ-Plots zur Visualisierung genomischer Regionen, die signifikant mit Krankheitsphänotypen assoziiert sind. Das Video enthält auch eine Fallstudie zum FTO-Gen und wie es umfassend auf seine mechanistischen Auswirkungen bei Fettleibigkeit untersucht wurde. Die Herausforderungen beim Verständnis der genetischen Assoziation mit Adipositas und die Schritte zur Herangehensweise an dieses Problem werden ebenfalls diskutiert.
Der Vortrag diskutiert die Herausforderung, die Auswirkungen genomischer Variationen auf die menschliche Gesundheit zu untersuchen, und die Bedeutung des Verständnisses, wie Mutationen verschiedene Zelltypen beeinflussen. Der Referent umreißt seinen Deep-Learning-Ansatz zur Vorhersage der Wirkung von Genomsequenzen und -variationen, insbesondere in Bezug auf die Vorhersage der Bindung von Transkriptionsfaktoren und der Organisation von Chromatin. Sie beschreiben auch ihre Auswertung dieser Vorhersagen unter Verwendung tief sequenzierter genomischer Datensätze zur Vorhersage der DNA-Sensitivität und Histonmarkierungs-QTLs sowie ihre Verwendung von Deep Learning zur Vorhersage der Wirkung von Mutationen auf die Genexpression und menschliche Krankheiten wie Autismus. Abschließend diskutieren sie ihre unvoreingenommene Analyse zuvor bekannter Gensets und die Verwendung einer Deep-Learning-Sequenzmodellbibliothek.
GWAS-Mechanismus - Vorlesung 13
GWAS-Mechanismus - Vorlesung 13 - Deep Learning in Life Sciences (Frühjahr 2021)
Der Vortrag über den GWAS-Mechanismus in der Reihe Deep Learning in Life Sciences befasst sich mit verschiedenen Methoden, um die Funktion von nicht-kodierenden genetischen Varianten zu verstehen, die an komplexen Merkmalen beteiligt sind. Der Vortrag diskutiert die Verwendung von epigenomischen Annotationen und Deep-Learning-Modellen, um globale Eigenschaften über genetisch assoziierte Regionen hinweg für eine bestimmte Krankheit zu identifizieren. Es behandelt auch Anreicherungen über verschiedene Gewebe und Enhancer und erklärt, wie diese in empirische Priors umgewandelt werden können, um das kausale SNP innerhalb eines Locus vorherzusagen. Der Vortrag diskutiert auch die Verwendung von intermediären molekularen Phänotypen wie Genexpression und Methylierung zur Untersuchung der Kausalität in genomweiten Assoziationsstudien und wie man Genotyp und persönliche Expressionskomponenten kombiniert, um die phänotypische Variable der Expression zu erklären. Schließlich untersucht die Vorlesung die Verwendung kausaler Inferenzmethoden, um die Auswirkung der Änderung einer Variablen auf Ergebnisvariablen zu bestimmen, um kausale versus antikausale Pfade zu identifizieren.
Der Dozent in diesem Video diskutiert verschiedene Techniken zur Ableitung kausaler Effekte in der Genomforschung. Sie decken das Konzept der d-Trennung ab und nutzen die natürliche Randomisierung in der Genetik als Möglichkeit, kausale Beziehungen herzustellen. Der Dozent diskutiert auch die Mendelsche Randomisierung und das Quasi-Inferenz-Modell von Rubin sowie die potenzielle Ergebnismethode für kausale Inferenzen. Sie berühren die Herausforderungen der Imputation und der Anpassung an Verzerrungen in Beobachtungsstudien. Der Redner betont auch, wie wichtig es ist, mehrere orthogonale Beweise zu verwenden, um einen robusten kausalen Algorithmus zu entwickeln. Darüber hinaus erklären sie die Verwendung von Genetik, um Genexpressionen zu stören und Netzwerke zu lernen, und führen die Invarianzbedingung ein, um kausale Strukturen in Daten zu identifizieren. Die Vorlesung gibt einen umfassenden Überblick über verschiedene Techniken und Werkzeuge, die in der Genomforschung zur kausalen Inferenz verwendet werden.
Systemgenetik - Vorlesung 14
Systemgenetik - Vorlesung 14 - Deep Learning in Life Sciences (Frühjahr 2021)
In diesem Vortrag über Systemgenetik und Deep Learning behandelt der Referent mehrere Themen, darunter SNP-Erblichkeit, Partitionierung der Erblichkeit, stratifizierte LD-Score-Regression und Deep Learning in der molekularen Phänotypisierung. Sie untersuchen auch die Verwendung elektronischer Patientenakten, genomischer Assoziationsstudien und Genomik, um einen britischen Biobank-Datensatz von rund 500.000 Personen mit Tausenden von Phänotypen zu analysieren. Der Dozent diskutiert, wie Deep-Learning-Modelle für die Sequenzfunktionsvorhersage verwendet werden können, um die Verschaltung von Krankheitsloci zu verstehen, und die Verwendung von linearen gemischten Modellen für GWAS- und EQTL-Calling. Sie gehen auch auf die Verzerrungen und Verletzungen von Modellannahmen beim Deep Learning ein und betonen die Bedeutung zelltypspezifischer regulatorischer Anmerkungen beim Rückschluss auf krankheitskritische Zelltypen. Abschließend diskutiert der Dozent die Komplexität der Erkenntnisse in Bezug auf negative Selektion und kausale Effektgrößen und stellt Professor Manuel Rivas von der Stanford University vor, um die Zerlegung genetischer Assoziationen zu diskutieren.
Die Vorlesung befasst sich mit der Anwendung genetischer Daten in verschiedenen Bereichen, einschließlich der Quantifizierung der Zusammensetzung und der Beitragskomponenten von Merkmalen, der Identifizierung genetischer Varianten, die zur Adipogenese oder Lipolyse beitragen, der Identifizierung von Mutationen mit starken Auswirkungen auf die Genfunktion und einem geringeren Krankheitsrisiko sowie der Entwicklung von Risikovorhersagemodelle mit multivariater Analyse. Darüber hinaus diskutiert der Vortrag die Anwendung polygener Risiko-Score-Modelle in verschiedenen Biomarkern und betont die Notwendigkeit des Datenaustauschs zwischen verschiedenen Populationen, um die Vorhersagegenauigkeit zu verbessern, insbesondere im Fall von außereuropäischen Populationen. Die Vorlesung schließt mit der Bereitschaft, Studenten zu betreuen, die an Forschungsprojekten im Zusammenhang mit polygenen Scores und biotropen Effekten der UK Biobank interessiert sind.
Graph Neuronale Netze - Vorlesung 15
Graph Neural Networks - Vorlesung 15 - Lernen in den Lebenswissenschaften (Frühjahr 2021)
In diesem YouTube-Vortrag zu Graph Neural Networks deckt der Referent ein breites Themenspektrum ab, darunter die Grundlagen von Graphennetzwerken, Spektraldarstellungen, halbüberwachte Klassifikation und multirelationale Datenmodellierung. Ein weiterer Schwerpunkt liegt auf der Schnittmenge von Graphennetzwerken und der Verarbeitung natürlicher Sprache und der Generierung von Graphen für die Wirkstoffforschung. Der Dozent erklärt verschiedene Methoden, um Informationen über Graphen zu verbreiten, um nützliche Knoteneinbettungen zu erhalten, die für Vorhersageaufgaben verwendet werden können. Der Vortrag beleuchtet auch die Bedeutung des kontrastiven Lernens für GNNs, die potenziellen Vorteile der Kombination von Patch-basierten Repräsentationen und aufmerksamkeitsbasierten Methoden sowie die Verwendung des Transformer-Ansatzes im NLP. Die zweite Hälfte der Vorlesung konzentriert sich auf die Erörterung von Artikeln, die die praktische Verwendung von GNNs in der Arzneimittelforschung zeigen und zeigen, wie die Struktur von Molekülen mithilfe eines Verbindungsbaums codiert und entschlüsselt werden kann.
In diesem Video werden mehrere Anwendungen von Graph Neural Networks (GNNs) in den Biowissenschaften erörtert, darunter die Wirkstoffforschung und die Inferenz latenter Graphen. Der Redner hebt die Probleme und möglichen Wege in GNNs hervor, wie z. B. das Fehlen räumlicher Lokalität und fester Reihenfolge, und der betrachtete Aufbau umfasst die Vorhersage des Typs eines bestimmten Knotens, die Vorhersage einer Verbindung zwischen zwei Knoten, die Messung der Ähnlichkeit zwischen zwei Knoten oder zwei Netzwerken , und Clustern von Knoten durch Ausführen einer Community-Erkennung im Netzwerk. Der Dozent erklärt auch, wie GNNs Graphen effizient trainieren und einbetten, Informationen transformieren und aggregieren und mit Nebenwirkungen der Polypharmazie umgehen können. Darüber hinaus behandelt die Vorlesung zwei Methoden zum automatischen Lernen von Repräsentationen in den Lebenswissenschaften, wobei Meta-Lernmodelle wie MARS genutzt werden, um auf neuartige Zelltypen zu verallgemeinern. Schließlich diskutiert der Vortrag, wie GNNs latente Zellrepräsentationen über mehrere Datensätze hinweg lernen können, um die Heterogenität von Zelltypen zu erfassen.
AI for Drug Design - Vorlesung 16
AI for Drug Design - Vorlesung 16 - Deep Learning in den Life Sciences (Frühjahr 2021)
Dieser Vortrag diskutiert den Einsatz von Deep Learning für das Wirkstoffdesign. Es erklärt, wie Deep Learning verwendet werden kann, um neuartige Verbindungen mit Antibiotikaresistenz zu finden. Es wird auch diskutiert, wie die Deep-Learning-Modelle durch die Einbeziehung biologischen Wissens verbessert werden können.
Dieser zweite Teil der Vorlesung gibt einen Überblick darüber, wie Deep Learning im Wirkstoffdesign eingesetzt werden kann, insbesondere zur Vorhersage der antiviralen Aktivität von Wirkstoffkombinationen. Das Modell wurde in vivo mit zellbasierten Assays getestet und zwei neuartige synergistische Arzneimittelkombinationen wurden identifiziert.
Deep Learning for Protein Folding - Vorlesung 17
Deep Learning for Protein Folding - Vorlesung 17 - MIT Deep Learning in Life Sciences (Frühjahr 2021)
Dieses Video diskutiert die Verwendung von Deep Learning im Bereich der Proteinfaltung und insbesondere, wie geometrisches Deep Learning verwendet werden kann, um Proteinstrukturen zu untersuchen und Dinge wie Ligandenbindungsstellen und Protein-Protein-Wechselwirkungen vorherzusagen. Das Video behandelt auch schablonenbasierte vs. schablonenfreie Modellierungsmethoden, verschiedene Ansätze für die Kontaktvorhersage bei der Proteinfaltung und die Verwendung von neuronalen Restnetzen für die Bildmodellierung bei der Proteinstrukturvorhersage. Insgesamt betont der Referent das Versprechen von Deep Learning, unser Verständnis von Proteinstrukturen und deren Funktionen voranzutreiben, und liefert detaillierte Beispiele und Ergebnisse, um diese Behauptung zu untermauern.
Das Video diskutiert verschiedene Ansätze für Deep Learning zur Proteinfaltung, einschließlich der Verwendung von Co-Evolutionsvorhersagen und Vorlagen für eine genaue Modellierung, die Bedeutung der Suche nach besseren Homologen und das Potenzial von Deep Learning, vergleichbare Ergebnisse zu erzielen, ohne sich auf traditionelle physikbasierte Methoden zu verlassen Methoden. Die Referenten befassen sich auch mit der Verwendung differenzierbarer Ausgaben und der Bedeutung globaler Genauigkeit sowie mit der Entwicklung des Algorithmusraums und dem Potenzial für Deep Learning zur Vorhersage von Proteinbestätigungen auf der Grundlage von Faktoren wie genetischer Variation oder kleinen Molekülen. Insgesamt hebt das Video das aufregende Potenzial von Deep Learning hervor, um die Proteinstrukturvorhersage und ihre vielen Anwendungen zu revolutionieren.
Maschinelles Lernen für die Pathologie - Vorlesung 19
Maschinelles Lernen für die Pathologie - Vorlesung 19 - MIT Deep Learning in the Life Sciences (Frühjahr 2021)
Die Vorlesung behandelt verschiedene Aspekte der Anwendung von Deep Learning in der Computerpathologie, einschließlich der Herausforderungen und Grenzen der Technologie. Der Redner erörtert die Notwendigkeit, Algorithmen blind zu vertrauen, und betont, wie wichtig es ist, zu verstehen, was ein Netzwerk lernt. Der Vortrag untersucht mehrere Beispiele dafür, wie Deep Learning in der Krebsdiagnose, Prognose und Beurteilung des Behandlungserfolgs eingesetzt wird, um prognostische und prädiktive Werkzeuge für die Präzisionsmedizin zu entwickeln. Der Referent erörtert auch die Herausforderungen bei der Entwicklung von Behandlungen mit mehreren Arzneimitteln für Tuberkulose und schlägt verschiedene Laborprojekte vor, um das Problem anzugehen. Insgesamt unterstreicht der Vortrag das Potenzial von Deep Learning in der Pathologie, erkennt aber auch seine Grenzen und die Notwendigkeit eines multidisziplinären Ansatzes an, um seinen effektiven Einsatz in klinischen Umgebungen sicherzustellen.
In diesem YouTube-Video mit dem Titel „Machine Learning for Pathology – Lecture 19 – MIT Deep Learning in the Life Sciences (Spring 2021)“ erörtert der Referent die Versuche seines Teams, die Heterogenität von Charge zu Charge und von Zelle zu Zelle beim maschinellen Lernen für die Pathologie mithilfe typischer Methoden anzugehen Variationsnormalisierung (TVN) und ein k-Nächster-Nachbar-Ansatz. Sie beschreiben auch die Verwendung morphologischer Profile zur Klassifizierung von Medikamenten basierend auf ihren Wirkungen auf Bakterien und die Entwicklung eines datengesteuerten Ansatzes zum Entwerfen und Priorisieren von Kombinationen von Medikamenten unter Verwendung von überwachtem und unüberwachtem Lernen. Darüber hinaus dankt die Referentin ihren Labormitgliedern für ihre Beiträge zu Arzneimittelsynergien versus Antagonismusstudien und betont, wie wichtig es ist, den größeren Kontext für das Verständnis und die Weiterentwicklung der Forschung auf diesem Gebiet zu berücksichtigen.
Deep Learning for Cell Imaging Segmentation - Vorlesung 20
Deep Learning for Cell Imaging Segmentation - Vorlesung 20 - MIT ML in Life Sciences (Frühjahr 2021)
In diesem Video diskutieren die Referenten die Verwendung von Deep Learning für das Zelltracking, bei dem die Bewegung von Zellen in Zeitrafferaufnahmen bestimmt wird. Sie erklären, dass traditionelle manuelle Tracking-Methoden kostspielig und zeitaufwändig sind und dass Deep-Learning-Methoden den Prozess erheblich beschleunigen und gleichzeitig eine höhere Genauigkeit bieten können. Die Referenten diskutieren verschiedene Deep-Learning-Architekturen für die Zellverfolgung, darunter U-Net, StarDist und DeepCell. Sie stellen auch fest, dass eine der Herausforderungen bei der Zellverfolgung darin besteht, zwischen Zellen zu unterscheiden, die nahe beieinander liegen oder sich überlappen, und dass Methoden wie Multi-Objekt-Verfolgung oder graphbasierte Ansätze dabei helfen können, dieses Problem anzugehen. Die Referenten betonen die Bedeutung des Benchmarkings verschiedener Deep-Learning-Methoden für die Zellverfolgung und der Bereitstellung von Open-Access-Datensätzen für Reproduzierbarkeit und Vergleich. Sie heben auch die potenziellen Anwendungen der Zellverfolgung in verschiedenen Bereichen wie der Krebsforschung und der Arzneimittelforschung hervor.
Deep Learning Bildregistrierung und -analyse - Vorlesung 21
Deep Learning Image Registration and Analysis - Vorlesung 21 - MIT ML in Life Sciences (Frühjahr 2021)
Adrian Dalock geht in diesem Vortrag auf das Thema Alignment medizinischer Bilder und das dahinter stehende Optimierungsproblem ein. Er schlägt eine neuartige Methode namens Voxel-Morph vor, bei der unbeschriftete Datensätze verwendet werden, um neuronale Netze für die Bildregistrierung zu trainieren. Der Referent diskutiert auch die Herausforderung der Robustheit gegenüber neuen Daten und Sequenzen, die neuronale Netze zuvor nicht gesehen haben, und schlägt vor, verschiedene und extreme Bedingungen zu simulieren, um robuste Modelle zu trainieren. Der Sprecher vergleicht klassische Registrierungsmodelle mit Voxel-Morph- und Synthmorph-Modellen, wobei letztere bemerkenswert robust sind. Abschließend erörtert der Referent die Entwicklung einer Funktion, die Vorlagen basierend auf gewünschten Eigenschaften generiert, anstatt direkt eine Vorlage zu lernen, und die potenzielle Verwendung der Kapsel-Videoendoskopie zum Erkennen von Dickdarmanomalien.
Der Referent in diesem Vortrag diskutiert verschiedene maschinelle Lernansätze zur Überwindung des Mangels an medizinischen Daten, insbesondere im Kontext von Darmspiegelungsvideos zur Polypenerkennung. Sie führen eine Deep-Learning-Bildregistrierungs- und -analysearchitektur ein, die vortrainierte Gewichtungen und zufällige Initialisierung verwendet, um Domänenverschiebungen zu beheben und die Leistung zu verbessern. Die Vorlesung behandelt auch schwach überwachtes Lernen, selbstüberwachtes Lernen und schwach überwachte Videosegmentierung. Der Referent erkennt die Herausforderungen an, die bei der Verwendung maschineller Lernansätze in der medizinischen Datenanalyse auftreten, und ermutigt dazu, diese Ansätze in echten medizinischen Verfahren zu testen, um die Arbeitsbelastung zu reduzieren.