F:
Hur påverkar maskininlärning genetisk testning?
A:Maskininlärning tillämpas på genetisk testning på många olika sätt.
Applikationerna är nästan oändliga. Maskininlärning hjälper forskare att analysera DNA, avkoda det mänskliga genomet, utvärdera fenotyper av sjukdomar, förstå genuttryck och till och med delta i en process som kallas genredigering, där DNA faktiskt "skarvats" i en organisms genetiska kod.
| Gratis nedladdning: Machine Learning and Why It Matters |
Metoderna inom datavetenskap som används i genetisk maskininlärning varierar också en hel del. Vissa projekt använder övervakat lärande, där alla data tidigare har märkts. Andra använder okontrollerat lärande, som bygger på omärkta datauppsättningar, eller en blandning av de två principerna som kallas halvledd lärande.
Många av de konsumentläsade genteknologier som vi ser på marknaden använder någon form av maskininlärning eller artificiell intelligens för att fungera. Till exempel kan produkter som hjälper till att visa individer mer om deras genetiska smink ha dragit nytta av maskininlärning i forskning och utveckling, eller i den pågående analysen av prover.
På många sätt är genetisk testning det perfekta fältet för maskininlärningsapplikationer, delvis på grund av de enorma mängder data som dessa program måste kämpa med. Till exempel, att arbeta med det mänskliga genomet innebär att dechiffrera miljarder bitar med information, och före tillkomsten av maskininlärning var många av dessa uppgifter ganska skrämmande.
Till exempel har Google ett program som heter DeepVariant som forskare säger att nu kan användas för att helt kartlägga det mänskliga genomet - som kan användas på hela spektrumet för en persons genetiska information.
Byråer som National Institute of Health dokumenterar de många sätt som maskininlärning och artificiell intelligens bidrar till bättre förståelse av genetik och genomik, den gren av molekylärbiologi som täcker genetisk vetenskap. Det finns till och med en "skola" för maskininlärning som kallas evolutionism som täcker många av de klassificerade maskininlärningsuppgifterna som är relevanta för genetiskt arbete. I slutändan fungerar maskininlärning som en katalysator för snabbare och mer mångsidig utveckling inom genetisk forskning och teknik.
