首页|面向合成生物学的机器学习方法及应用

面向合成生物学的机器学习方法及应用

扫码查看
原文链接
  • NETL
  • NSTL
  • 万方数据
  • 维普
机器学习的目标是设计可以根据先验知识和观测数据不断改进其性能的算法.该算法可以帮助机器从大量的数据中提取知识,从而提升其在特定任务上的性能.作为数据驱动的方法,机器学习可以有效利用高通量实验技术产生的大批量生物数据,实现合成生物体的功能预测与智能化设计,改变合成生物学的研究范式.本文首先介绍机器学习在合成生物学领域广泛应用的几个模型及方法,如支持向量机、神经网络、生成式对抗网络、深度强化学习等.然后介绍机器学习方法在合成生物学领域的典型应用,如启动子预测、酶催化设计、代谢途径构建、基因线路设计等.本文综述面向合成生物学的机器学习方法及应用,并试图启发读者如何选择和设计机器学习方法用于合成生物学的研究.
Machine learning for synthetic biology:Methods and applications

胡如云、张嵩亚、蒙海林、余函、张建志、罗小舟、司同、刘陈立、乔宇

展开 >

中国科学院深圳先进技术研究院先进计算与数字工程研究所,深圳518055

中国科学院深圳先进技术研究院合成生物学研究所,深圳518055

深圳合成生物学创新研究院,深圳518055

中国科学院定量工程生物学重点实验室,深圳518055

广州中国科学院先进技术研究所,生物工程研究中心,广州511458

展开 >

机器学习 合成生物学 生物元件设计 生物网络设计

深圳市科技创新委员会项目

KQTD2015033117210153

2021

10.1360/TB-2020-0456

科学通报
中国科学院国家自然科学基金委员会

科学通报

CSTPCDCSCD北大核心
影响因子：1.269
ISSN：0023-074X
年,卷(期)：2021.66(3)
  • 6
  • 1