PulseAugur
中
实时 03:26:21
English(EN) KG-TRACE: A Neuro-Symbolic Framework for Mechanistic Grounding in Antimicrobial Resistance Prediction

新的神经符号框架将AMR预测与生物通路相结合

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了KG-TRACE，一个旨在改进抗菌素耐药性（AMR）预测机制基础的新型神经符号框架。该框架整合了WHO突变知识图谱和一个神经基因组模型，使用一个学习到的门控来平衡神经证据与已建立的生物通路。在实现具有竞争力的准确性的同时，KG-TRACE的主要贡献在于通过量化神经归因与生物知识之间的对齐程度，为临床医生提供可验证的审计追踪，从而增强临床信任。 AI

影响 引入了一种增强AI驱动的生物学预测的信任度和可解释性的方法，可能改善临床决策。

排序理由 该集群描述了一篇学术论文中提出的一个新框架，侧重于一种新方法，而不是产品发布或行业范围的事件。[lever_c_research降级：ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新的神经符号框架将AMR预测与生物通路相结合

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Naman Garg, Sarika Jain, Sourav Yadav, Bharat K. Bhargava, Ghanapriya Singh, Abhishek Srivastava, Parimal Kar ·

    KG-TRACE：用于抗菌素耐药性预测中机制基础的神经符号框架

    arXiv:2606.26179v1 Announce Type: cross Abstract: While WGS-based AMR prediction has reached high accuracy, existing models lack a mechanism to ground neural attributions in established biological pathways. We present KG-TRACE, a novel neuro-symbolic framework that integrates the…

相关话题