MARC

 008250123s2024        us                              c    eng  d
■001000017163726
■00520250211152745
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798342107389
■035    ▼a(MiAaPQ)AAI31520285
■035    ▼a(MiAaPQ)Stanfordjw766pz3938
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a570
■1001  ▼aRoohani,  Yusuf.
■24510▼aEngineering  Cells  Using  Artificial  Intelligence
■260    ▼a[Sl]▼bStanford  University▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a206  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-04,  Section:  B.
■500    ▼aAdvisor:  Leskovec,  Jure;Quake,  Stephen.
■5021  ▼aThesis  (Ph.D.)--Stanford  University,  2024.
■520    ▼aDriven  by  advancements  in  genome  engineering  and  single-cell  profiling,  the  precise  engineering  of  cells  has  the  potential  to  transform  cancer  therapy  and  regenerative  medicine.  It  overcomes  many  of  the  challenges  of  conventional  small-molecule  based  discovery  through  increased  precision  and  target-specificity  coupled  with  low  toxicity  and  off-target  effects.  However,  the  full  promise  of  this  technology  remains  unrealized  due  to  the  vast  space  of  possible  cell  engineering  routes  that  must  be  tested  in  the  lab.  Artificial  intelligence  can  help  address  this  challenge  by  simulating  cell  behavior  and  conducting  virtual  genetic  perturbation  experiments.  My  work  develops  three  capabilities  necessary  for  AI-driven  cell  engineering:  universal  cell  representation,  perturbation  effect  prediction  and  closed-loop  experiment  design.Using  a  large  foundation  model  trained  on  gene  expression  data  from  millions  of  cells,  we  create  a  universal  cell  embedding  that  can  represent  any  cell  from  any  tissue,  species  or  dataset.  We  simulate  cell  behavior  by  predicting  cellular  response  to  multi-gene  perturbation,  and  use  gene-gene  networks  to  expand  predictions  to  new  untested  perturbations.  Finally,  we  develop  an  AI  agent,  informed  by  the  scientific  literature,  to  iteratively  design  lab  experiments  that  guide  cells  towards  a  desired  phenotype.  In  summary,  my  work  seeks  to  develop  virtual  cells  where  traditional  hypothesis-driven  lab  experiments  are  augmented  by  AI-enabled  in-silico  experimentation.
■590    ▼aSchool  code:  0212.
■650  4▼aCRISPR
■650  4▼aGene  expression
■650  4▼aBiological  products
■650  4▼aDesign
■650  4▼aGenomes
■650  4▼aBiology
■650  4▼aGenomics
■650  4▼aStem  cells
■650  4▼aBioengineering
■650  4▼aBioinformatics
■650  4▼aCellular  biology
■650  4▼aGenetics
■690    ▼a0389
■690    ▼a0800
■690    ▼a0306
■690    ▼a0202
■690    ▼a0715
■690    ▼a0379
■690    ▼a0369
■71020▼aStanford  University.
■7730  ▼tDissertations  Abstracts  International▼g86-04B.
■790    ▼a0212
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17163726▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서