机器学习的整个基因组序列的Mycobacterium结核病:一个范围广泛的PRISMA基于审查
Ricardo Perea-Jacobo1,2, Guillermo René Paredes-Gutiérrez1, Miguel Ángel Guerrero-Chevannier1
1Facultad de Ingeniería Arquitectura y Diseño, Universidad Autónoma de Baja California, Campus Ensenada, Ensenada 22860, Mexico.
Microorganisms
|August 26, 2023
概括
人工智能模型,特别是人工神经网络,显示出对预测耐药结核病 (DR-TB) 概况的前景. 这种方法为诊断多耐药结核病 (MDR-TB) 的挑战提供了潜在的解决方案.
科学领域:
- 医学诊断 医学诊断 医学诊断
- 生物信息学是一种生物信息学.
- 计算生物学是一种计算生物学.
背景情况:
- 结核病 (TB) 是一个主要的全球卫生问题,耐药结核病 (DR-TB) 带来了重大诊断挑战.
- 目前的诊断工具,包括世卫组织推的方法,在检测与耐药性相关的所有Mycobacterium结核病突变方面存在局限性.
- 全基因组测序 (WGS) 提供了全面的DR配置文件,但由于缺乏用户友好的生物信息学分析工具而受到阻碍.
研究的目的:
- 审查和探索各种人工智能 (AI) 模型,用于预测耐药结核病 (DR-TB) 概况.
- 确定最有效的人工智能方法来分析基因组数据以确定DR-TB.
- 评估AI在克服DR-TB诊断当前局限性的实用性.
主要方法:
- 系统的文献审查遵循PRISMA方法.
- 对用于DR-TB预测的AI模型的英语文章的分析.
- 利用Covidence平台进行文章选和数据提取.
主要成果:
- 人工神经网络 (ANN) 被确定为在审查的研究中最常用的AI模型.
- 在传统的统计方法上,人们更喜欢非统计的维度减小技术,如主要组件分析 (PCA) 和t分布式随机邻近嵌入 (t-SNE).
- 人工智能模型显示了提高DR-TB概况预测的准确性和效率的潜力.
结论:
- 人工智能,特别是ANN,为提高对耐药结核病概况的预测提供了一个有希望的途径.
- 这些发现表明,在结核病诊断中,我们应该转向先进的计算方法来分析复杂的基因组数据.
- 进一步开发和验证用户友好的AI工具对于在打击MDR-TB的广泛临床采用至关重要.
关键词:
现在,我们可以看到IAIAIA.在MDR-TB中,使用的是MDR.ML ML 在 ML结核病菌菌菌的结核病菌的结核病菌.没有NGS,没有NGS.国家统一计划 (SNP) 是一个国家统一计划.rpoBB 的时间.更多相关视频
08:03Heuristic Mining of Hierarchical Genotypes and Accessory Genome Loci in Bacterial Populations
Published on: December 7, 2021
2.2K
15:28A Microscopic Phenotypic Assay for the Quantification of Intracellular Mycobacteria Adapted for High-throughput/High-content Screening
Published on: January 17, 2014
7.8K
