Lo siento, te perdiste la recompensa de 3M $: Premio Heritage Health. ¡Pero todavía estás a tiempo para premios mucho más grandes!
1) ¿Podría predecir la firma molecular de los diferentes tipos de cáncer? Puede usar el Atlas del genoma del cáncer (TCGA) para muchos tipos de datos de perfiles moleculares en diferentes tipos de cáncer. Otra tarea relacionada es desarrollar los marcadores moleculares para diferentes subtipos o diferentes etapas de cualquier cáncer. Además, sería inmensamente útil conocer los biomarcadores para los cánceres en etapas tempranas, ya que el tratamiento del cáncer en etapa temprana generalmente es más exitoso.
2) Si bien se reconocen muchas formas diferentes de enfermedad neurodegenerativa (como el Parkinson, la enfermedad de Alzheimer, ELA), las líneas que se separan una de otra a menudo no están claras (consulte esta página en healthandenvironment.org). ¿Podría usar un clasificador (clasificadores?) Para diferenciarlos?
- ¿De qué manera es una 'Máquina de Turing Neural Lie Access' superior a las NTM normales?
- ¿Cuál es la diferencia entre TensorFlow y TensorFlow lite?
- Investigadores de aprendizaje automático, ¿algún día los robots nos matarán a todos?
- Si quiero trabajar en Machine Learning e Inteligencia artificial, ¿debería especializarme en Matemáticas / CS o Estadísticas / CS?
- ¿Dónde puedo encontrar excelentes bibliotecas de aprendizaje automático para Java?
3) Las células madre son pluripotentes , lo que significa que pueden generar todo otro tipo de células “diferenciadas” (células comprometidas con un destino particular). Durante la división celular de las células madre, algunas conservarán la propiedad de “pluripotencia” (= autorrenovación), mientras que otras irán hacia la ruta de diferenciación. ¿Podría usar un clasificador molecular que prediga los dos tipos de células? Aquí hay dos trabajos de investigación similares: clasificador SVM para predecir genes importantes para la autorrenovación y la pluripotencia de células madre embrionarias de ratón y Exploración de la autorrenovación de células madre con aprendizaje automático
Similar es el caso de las células sanguíneas maduras, todas las cuales se originan de las células madre llamadas células madre hematopoyéticas, siguiendo un proceso llamado hematopoyesis. En una persona adulta sana, diariamente se producen aproximadamente [matemáticas] 10 ^ {11} –10 ^ {12} [/ matemáticas] nuevas células sanguíneas para mantener niveles estables en la circulación periférica. ¿Podría derivar marcadores moleculares (temporales) para diferentes tipos de células sanguíneas?
Estas tareas son desafiantes y requieren un poco de conocimiento de dominio también. Una solución exitosa de cualquiera de ellos podría conducir a, si no el premio Nobel, ciertamente algo más cercano. Sin embargo, puede comenzar a ensuciarse las manos y divertirse mucho con los desafíos menos intimidantes de los conjuntos de datos del Depósito de aprendizaje automático de UCI. También puede probar desafíos de salud / biomédicos en Kaggle, Innocentive o KDnuggets
¡La mejor de las suertes!
