相关实验视频
Updated: May 11, 2025

In Vivo Modeling of the Morbid Human Genome using Danio rerio
Published on: August 24, 2013
通过计算来构建疾病的自然史的第一步:从努南综合征使用案例中吸取教训
Tudor Groza1, Warittha Rayabsri2, Dylan Gration2
1Rare Care Centre, Perth Children's Hospital, Nedlands, WA 6009, Australia; Bioinformatics Institute, Agency for Science, Technology and Research (A(∗)STAR), 30 Biopolis Street #07-01 Matrix, Singapore 138671, Singapore; SingHealth Duke-NUS Institute of Precision Medicine, 5 Hospital Drive Level 9, Singapore 169609, Singapore; School of Electrical Engineering, Computing and Mathematical Sciences, Curtin University, Kent Street, Bentley, WA 6102, Australia.
本研究介绍了一个大型语言模型 (LLM) 框架,用于跟踪罕见疾病 (RD) 的进展. 它捕捉了用于改善罕见疾病诊断和管理的表型轨迹.
科学领域:
- 计算生物学 计算生物学
- 遗传学 是一个遗传学.
- 人工智能在医学中的应用
背景情况:
- 罕见疾病 (RDs) 影响全球数百万人,但大多数缺乏明确的治疗方案.
- 了解RDS的自然史和表型进展对于诊断和管理至关重要.
- 现有的知识库通常在记录RD特征的时间演变方面存在差距.
研究的目的:
- 提出和评估基于大型语言模型 (LLM) 的框架,以捕捉罕见疾病的自然史.
- 专注于记录努南综合征的表型轨迹.
- 根据现有的罕见病知识库验证LLM框架,并探索与电子健康记录 (EHR) 的整合.
主要方法:
- 基于AI和LLM的生成框架的开发.
- 框架的应用,以捕捉罕见疾病中表型特征的时间进展.
- 利用来自新加坡未诊断疾病计划的电子健康记录 (EHR) 数据进行验证和整合.
主要成果:
- 拟议的LLM框架表明了记录罕见疾病的自然历史和表型轨迹的潜力.
- 该框架有助于捕捉疾病进展的详细情况,解决知识差距.
- 与EHR数据的整合显示了改善罕见病患者护理协调的前景.
结论:
- LLM提供了一种全新的方法,以全面记录罕见疾病的进展和表型演变.
- 这一框架可以显著提高对像努南综合征这样的罕见疾病的理解和管理.
- 该研究强调了人工智能在推进罕见疾病研究和临床护理途径方面的潜力.
更多相关视频
09:34Targeted Next-generation Sequencing and Bioinformatics Pipeline to Evaluate Genetic Determinants of Constitutional Disease
Published on: April 4, 2018
07:35A Knowledge Graph Approach to Elucidate the Role of Organellar Pathways in Disease via Biomedical Reports
Published on: October 13, 2023
相关概念视频
Genome-wide Association Studies-GWAS
GWAS does not require the identification of the target gene involved in...
Incomplete Dominance
Genomics