کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
8918236 1642822 2017 22 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Learning with unknowns: Analyzing biological data in the presence of hidden variables
ترجمه فارسی عنوان
یادگیری با ناشناخته ها: تجزیه و تحلیل داده های بیولوژیکی در حضور متغیرهای پنهان
ترجمه چکیده
علیرغم توانایی بهبود یافته ما برای بررسی سیستم های بیولوژیک با وضوح بالاتر فضایی و زمانی، ابعاد بزرگ سیستم های بیولوژیکی اغلب از نمونه گیری کافی از فضای دولت جلوگیری می کند. حتی با مجموعه داده های گسترده ای مانند میکروارگانی های ژنی یا تکنیک های ضبط چندترونی، متغیرهایی که ما از آنها ضبط می کنیم، معمولا فقط یک زیر مجموعه کوچک هستند، اگر عاقلانه انتخاب شوند، که نشان دهنده مناسب ترین درجه آزادی است. متغیرهای باقیمانده یا متغیرهای پنهان به اصطلاح به احتمال زیاد با مشاهدات مرتبط هستند و بر آمار آنها و در نتیجه نتیجه گیری ما در مورد عملکرد سیستم و نحوه عملکرد این عملکرد تاثیر می گذارد. در این زمینه دو سوال مهمی مطرح می شود: کدام متغیرها باید انتخاب کنیم که داده ها را مشاهده و جمع آوری کنیم؟ و چقدر می توان از داده ها در حضور متغیرهای مخفی یاد کرد؟ در این مقاله ما پیشنهاد می کنیم که پیشرفت های الگوریتمی اخیر در ریاضیات فیزیک آماری سیستم های پیچیده مجموعه ای امیدوار کننده برای استخراج ویژگی های مرتبط با داده های با کارایی بالا و یک راهبرد مفید برای تحقیق در سال های آینده است.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر علوم کامپیوتر (عمومی)
چکیده انگلیسی
Despite our improved ability to probe biological systems at a higher spatio-temporal resolution, the high dimensionality of the biological systems often prevents sufficient sampling of the state space. Even with large scale datasets, such as gene microarrays or multi-neuronal recording techniques, the variables we are recording from are typically only a small subset, if wisely chosen, representing the most relevant degrees of freedom. The remaining variables, or the so called hidden variables, are most likely coupled to the observed ones, and affect their statistics and consequently our inference about the function of the system and the way it performs this function. Two important questions then arise in this context: which variables should we choose to observe and collect data from? and how much can we learn from data in the presence of hidden variables? In this paper we suggest that recent algorithmic developments rooting in the statistical physics of complex systems constitute a promising set of tools to extract relevant features from high-throughput data and a fruitful avenue of research for coming years.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Current Opinion in Systems Biology - Volume 1, February 2017, Pages 122-128
نویسندگان
, , ,