ترجمه فارسی مقاله رجیستری گنبد: اجرای توصیه های گسترده جامعه برای گزارش یادگیری ماشین نظارت شده در زیست شناسی

چکیده

Supervised machine learning (ML) is used extensively in biology and deserves closer scrutiny. The DOME recommendations aim to enhance the validation and reproducibility of ML research by establishing standards for key aspects such as data handling and processing, optimization, evaluation, and model interpretability. The recommendations help to ensure that key details are reported transparently by providing a structured set of questions. Here, we introduce the DOME Registry (URL: registry.dome-ml.org), a database that allows scientists to manage and access comprehensive DOME-related information on published ML studies. The registry uses external resources like ORCID, APICURON and the Data Stewardship Wizard to streamline the annotation process and ensure comprehensive documentation. By assigning unique identifiers and DOME scores to publications, the registry fosters a standardized evaluation of ML methods. Future plans include continuing to grow the registry through community curation, improving the DOME score definition and encouraging publishers to adopt DOME standards, promoting transparency and reproducibility of ML in the life sciences.

چکیده به فارسی (ترجمه ماشینی)

یادگیری ماشین تحت نظارت (ML) به طور گسترده در زیست شناسی استفاده می شود و سزاوار بررسی دقیق تر است.توصیه های گنبد با هدف افزایش اعتبار سنجی و تکرارپذیری تحقیقات ML با تعیین استانداردها برای جنبه های کلیدی مانند انتقال داده ها و پردازش ، بهینه سازی ، ارزیابی و تفسیر مدل.این توصیه ها با ارائه مجموعه ای از سؤالات ساختاری ، اطمینان حاصل می شود که جزئیات کلیدی به طور شفاف گزارش می شود.در اینجا ، ما رجیستری گنبد را معرفی می کنیم (url: registry.dome-ml.org) ، یک بانک اطلاعاتی که به دانشمندان امکان می دهد تا اطلاعات جامع مربوط به گنبد را در مورد مطالعات ML منتشر شده مدیریت و دسترسی پیدا کنند.رجیستری از منابع خارجی مانند ORCID ، APICURON و WIZARD SHEWARDSHIP DATA برای ساده سازی روند حاشیه نویسی و اطمینان از مستندات جامع استفاده می کند.رجیستری با اختصاص شناسه های منحصر به فرد و نمرات گنبد به نشریات ، ارزیابی استاندارد شده از روشهای ML را تقویت می کند.برنامه های آینده شامل ادامه رشد رجیستری از طریق درمان جامعه ، بهبود تعریف نمره گنبد و ترغیب ناشران به اتخاذ استانداردهای گنبد ، ارتقاء شفافیت و تکرارپذیری ML در علوم زندگی است.