Q:
Hvordan påvirker maskinlæring genetisk testing?
EN:Maskinlæring blir brukt til gentesting på mange forskjellige måter.
Bruksområdene er nesten uendelige. Maskinlæring hjelper forskere med å analysere DNA, avkode det menneskelige genom, vurdere fenotyper av sykdommen, forstå genuttrykk og til og med delta i en prosess som kalles genredigering, der DNA faktisk "spleises" i en organismes genetiske kode.
| Gratis nedlasting: Machine Learning og Why It Matters |
Metodene for informatikk som brukes i genetisk maskinlæring varierer også en god del. Noen prosjekter bruker veiledet læring, der alle dataene tidligere er merket. Andre bruker uovervåket læring, som bygger på umerkede datasett, eller en blanding av de to prinsippene som kalles semi-supervised learning.
Mange av forbrukervendte genetiske testteknologier som vi ser på markedet bruker en form for maskinlæring eller kunstig intelligens for å fungere. For eksempel kan produkter som hjelper til med å vise individer mer om deres genetiske sammensetning ha hatt godt av maskinlæring i forskning og utvikling, eller i den pågående analysen av prøver.
På mange måter er genetisk testing det perfekte feltet for maskinlæringsapplikasjoner, delvis på grunn av de enorme datamengdene som disse programmene trenger å stri med. For eksempel, å jobbe med det menneskelige genomet innebærer å tyde milliarder av informasjonsbiter, og før bruk av maskinlæring var mange av disse oppgavene ganske skremmende.
For eksempel har Google et program kalt DeepVariant som forskere sier at nå kan brukes til å kartlegge menneskets genom fullt ut - som kan brukes på hele spekteret av en persons genetiske informasjon.
Byråer som National Institutes of Health dokumenterer de mange måtene maskinlæring og kunstig intelligens bidrar til bedre forståelse av genetikk og genomikk, grenen av molekylærbiologi som dekker genetisk vitenskap. Det er til og med en "skole" med maskinlæring kalt evolusjonisme som dekker mange av de klassifiserte maskinlæringsoppgavene som er relevante for genetisk arbeid. Til slutt fungerer maskinlæring som en katalysator for raskere og mer mangfoldig utvikling innen genetisk forskning og prosjektering.
