Predictive Modeling for Antimicrobial Resistance using Deep Learning
يركز هذا البحث على معالجة فجوة التشخيص في مقاومة مضادات الميكروبات (AMR). من خلال دمج مجموعات البيانات البيولوجية مع نماذج التعلم العميق، تمكنا من تقليل زمن اتخاذ القرار السريري من أيام إلى دقائق.
المهمة الأولى: مراجعة الأدبيات (Literature Review)
إجراء مراجعة منظمة وموسعة لموضوع "تطبيقات التعلم الآلي في التنبؤ بمقاومة مضادات الميكروبات (AMR)". تشمل المراجعة تغطية الأهمية السريرية، تحديد أنواع النماذج المستخدمة (مثل التعلم العميق أو النماذج الجينية)، وحصر قواعد البيانات البيولوجية المعتمدة. بالإضافة إلى عمل مقارنة نقدية لـ 3 أوراق بحثية على الأقل مع تسليط الضوء على التحديات الحالية والتوجهات المستقبلية.
المهمة الثانية: ملخص وتحليل ورقة بحثية
قراءة وتحليل شامل للورقة البحثية بعنوان "Deep-Channel" والتي توظف الشبكات العصبية العميقة للكشف عن أحداث الجزيء الواحد. يتضمن التقرير ملخصاً يغطي المشكلة العلمية، بنية النموذج المقترحة، النتائج الرئيسية ومقارنتها بالطرق السابقة، تحديد القيود، وتقديم تقييم شخصي دقيق لأصالة العمل وقابليته للتكرار والإنتاج.
المهمة الثالثة: إعادة تطبيق الكود (Code Replication)
إعادة إنتاج النتائج التجريبية الأساسية بالاعتماد على مستودع GitHub الرسمي لورقة "Deep-Channel":
https://github.com/RichardBJ/Deep-Channel