Q:
Hoe beïnvloedt machine learning genetisch testen?
EEN:Machine learning wordt op veel verschillende manieren toegepast op genetische tests.
De applicaties zijn bijna eindeloos. Machine learning helpt wetenschappers om DNA te analyseren, het menselijk genoom te decoderen, ziektefenotypes te beoordelen, genexpressie te begrijpen en zelfs deel te nemen aan een proces dat genbewerking wordt genoemd, waarbij DNA feitelijk wordt "gesplitst" in de genetische code van een organisme.
| Gratis download: machine learning en waarom het ertoe doet |
De methoden van informatica die worden gebruikt bij genetisch machinaal leren, variëren ook aanzienlijk. Sommige projecten maken gebruik van begeleid leren, waarbij alle gegevens eerder zijn gelabeld. Anderen gebruiken onbewaakt leren, dat voortbouwt op niet-gelabelde gegevenssets, of een combinatie van de twee principes die semi-begeleid leren worden genoemd.
Veel van de consumentgerichte genetische testtechnologieën die we op de markt zien, gebruiken een vorm van machine learning of kunstmatige intelligentie om te functioneren. Producten die bijvoorbeeld helpen om individuen meer te laten zien over hun genetische samenstelling, kunnen baat hebben gehad bij machine learning in onderzoek en ontwikkeling, of bij de voortdurende analyse van specimens.
In veel opzichten is genetisch testen het perfecte veld voor toepassingen voor machine learning, deels vanwege de enorme hoeveelheid gegevens waarmee deze programma's te kampen hebben. Werken aan het menselijk genoom omvat bijvoorbeeld het ontcijferen van miljarden stukjes informatie, en voorafgaand aan de komst van machine learning waren veel van deze taken behoorlijk ontmoedigend.
Google heeft bijvoorbeeld een programma genaamd DeepVariant waarvan wetenschappers zeggen dat het nu kan worden gebruikt om het menselijk genoom volledig in kaart te brengen - dat kan worden gebruikt op het volledige spectrum van iemands genetische informatie.
Bureaus zoals de National Institutes of Health documenteren de vele manieren waarop machine learning en kunstmatige intelligentie bijdragen aan een beter begrip van genetica en genomics, de tak van moleculaire biologie die genetische wetenschap omvat. Er is zelfs een "school" van machine learning, evolutionisme genaamd, die veel van de geclassificeerde taken voor machine learning omvat die relevant zijn voor genetisch werk. Uiteindelijk fungeert machine learning als een katalysator voor snellere en meer diverse ontwikkeling in genetisch onderzoek en engineering.
