“`html
Генетический отбор и искусственный интеллект в сельском хозяйстве
Генетический отбор играет ключевую роль в обеспечении стабильного питания для растущего мирового населения. Для эффективного удовлетворения возрастающего спроса на продовольствие генетический отбор должен обеспечивать высокие темпы генетического прогресса. Геномный отбор – мощный инструмент, использующий геномные вариации ДНК и фенотипические данные для прогнозирования результативности неизвестных особей. Эмпирические исследования показали превосходство ГО над традиционными методами, увеличивая выгоды от отбора и сокращая циклы селекции для различных культур. Кроме того, техники глубокого обучения, подтип искусственного интеллекта, все чаще используются в геномном прогнозировании, что обещает улучшить точность прогнозирования, особенно при растущем объеме генетических данных. Это пересечение геномики и глубокого обучения обладает потенциалом для революции в различных областях, включая точную медицину и сельское хозяйство.
Архитектуры глубокого обучения: геномная перспектива
Недавние достижения в архитектурах глубокого обучения в геномике позволили более эффективно и точно обрабатывать биологические данные. Сверточные нейронные сети (CNN) отлично справляются с захватом геномных мотивов, в то время как рекуррентные нейронные сети (RNN) обрабатывают последовательные данные, такие как последовательности ДНК. Автокодировщики, включая вариационные автокодировщики (VAE), ценны для извлечения признаков и снижения размерности. Новые архитектуры, такие как гибридные модели, объединяющие CNN и RNN, эффективно решают специфические геномные задачи. Трансформерные языковые модели, такие как GPT, преодолевают ограничения CNN и RNN путем эффективной обработки длинных последовательностей и захвата глобальных зависимостей. Однако высокая стоимость обучения и обслуживания LLM остается сложной задачей, особенно для геномных задач с обширными требованиями к данным и проблемами конфиденциальности.
Геномные приложения
Глубокое обучение является мощным инструментом в различных геномных приложениях, включая характеристику экспрессии генов, регуляторную геномику, функциональную геномику и структурную геномику. В характеристике экспрессии генов глубокие модели обучения, такие как автокодировщики с удалением шума и вариационные автокодировщики, были использованы для извлечения признаков из данных экспрессии генов, что привело к пониманию биологических процессов и улучшению задач, таких как кластеризация и прогнозирование. Более того, методы глубокого обучения показали свою эффективность в прогнозировании уровней экспрессии генов из последовательностей ДНК, включая эпигенетические данные для улучшения точности, а также использование генеративных моделей для изучения гипотетических профилей экспрессии генов при различных воздействиях.
Материалы и методы
В исследовании использовались два набора данных из проекта 1000 Геномов, состоящих из 10 000 и 65 535 однонуклеотидных полиморфизмов (SNP) на конкретных хромосомных регионах. Обучались генеративные модели, включая Wasserstein GAN с градиентным штрафом (WGAN-GP), ограниченные машины Больцмана (RBM) и вариационные автокодировщики (VAE) для генерации искусственных геномных последовательностей. WGAN-GP и VAE реализованы с использованием сверточных слоев, в то время как RBM использовал обучение вне равновесия. Оценка включала оценку способности моделей имитировать реальные данные с использованием PCA и вычисление ближайшего соседа адверсарного точности (AATS) для измерения переобучения и недообучения. Утечка конфиденциальной информации была оценена с использованием оценки конфиденциальности, вычисленной на основе значений AATS тестового и обучающего наборов данных.
Генерация масштабных геномных данных
В рамках исследования были обучены модели WGAN и CRBM на данных 1000 геномов, содержащих 65 535 SNP, для генерации искусственных геномных последовательностей. В то время как модель VAE не могла быть обучена эффективно, WGAN и CRBM порождали последовательности, хорошо отражающие реальную структуру популяции и частоты аллелей. Однако у WGAN-сгенерированных последовательностей было больше фиксированных аллелей с низкими частотами, чем у CRBM. Анализ распада связи показал, что у обеих моделей связь была ниже, чем у реальных геномов. CRBM превзошел WGAN в анализе трехточечной корреляции, но показал аномалии в значениях AATS, потенциально указывающих на последовательности вне пространства реальных данных. Дальнейший анализ выявил более высокие частоты цепей истинных данных по сравнению с синтетическими.
Заключение
Глубокое обучение обещает изменить геномное исследование благодаря способности захватывать нелинейные паттерны и интегрировать разнообразные источники данных без явной инженерии признаков. Однако его превосходство над традиционными моделями в предсказательной силе еще не определено окончательно. Хотя генеративные нейронные сети способны эффективно моделировать масштабные геномные данные, остаются вызовы, такие как вычислительная сложность и оптимизация моделей. Проблемы конфиденциальности также требуют дальнейшего изучения. Тем не менее, благодаря улучшениям в обучении моделей и защите конфиденциальности можно создать искусственные банки геномов, что расширит доступ к геномным данным. Глубокое обучение обладает потенциалом революционизировать геномику, но требует внимательного преодоления вызовов для достижения значимых прорывов в предсказательной точности и совместимости.
Источники:
Источник: MarkTechPost
“`
“`html
Как искусственный интеллект может изменить ваш бизнес
Если вы хотите, чтобы ваша компания развивалась с помощью искусственного интеллекта (ИИ) и оставалась в числе лидеров, грамотно используйте Neural Networks and Nucleotides: AI in Genomic Manufacturing.
Проанализируйте, как ИИ может изменить вашу работу. Определите, где возможно применение автоматизации: найдите моменты, когда ваши клиенты могут извлечь выгоду из AI.
Определитесь какие ключевые показатели эффективности (KPI): вы хотите улучшить с помощью ИИ.
Подберите подходящее решение, сейчас очень много вариантов ИИ. Внедряйте ИИ решения постепенно: начните с малого проекта, анализируйте результаты и KPI.
На полученных данных и опыте расширяйте автоматизацию.
Если вам нужны советы по внедрению ИИ, пишите нам на https://t.me/itinai. Следите за новостями о ИИ в нашем Телеграм-канале t.me/itinainews или в Twitter @itinairu45358
Попробуйте AI Sales Bot https://itinai.ru/aisales. Этот AI ассистент в продажах помогает отвечать на вопросы клиентов, генерировать контент для отдела продаж, снижать нагрузку на первую линию.
Узнайте, как ИИ может изменить ваши процессы с решениями от AI Lab itinai.ru. Будущее уже здесь!
“`
