Q:
Wie wirkt sich maschinelles Lernen auf Gentests aus?
EIN:Maschinelles Lernen wird auf viele verschiedene Arten auf Gentests angewendet.
Die Anwendungen sind nahezu endlos. Maschinelles Lernen hilft Wissenschaftlern, DNA zu analysieren, das menschliche Genom zu entschlüsseln, Krankheitsphänotypen zu bestimmen, die Genexpression zu verstehen und sogar an einem Prozess namens Genediting teilzunehmen, bei dem DNA tatsächlich in den genetischen Code eines Organismus „gespleißt“ wird.
| Kostenloser Download: Maschinelles Lernen und warum es wichtig ist |
Die Methoden der Informatik, die beim genetischen maschinellen Lernen angewendet werden, variieren ebenfalls erheblich. Einige Projekte verwenden überwachtes Lernen, bei dem alle Daten zuvor gekennzeichnet wurden. Andere verwenden unüberwachtes Lernen, das sich aus unbeschrifteten Datensätzen zusammensetzt, oder eine Mischung aus zwei Prinzipien, die als halbüberwachtes Lernen bezeichnet werden.
Viele der verbraucherorientierten Gentesttechnologien, die wir auf dem Markt sehen, verwenden irgendeine Form von maschinellem Lernen oder künstlicher Intelligenz, um zu funktionieren. Beispielsweise könnten Produkte, die dazu beitragen, Personen mehr über ihre genetische Verfassung zu zeigen, von maschinellem Lernen in Forschung und Entwicklung oder bei der laufenden Analyse von Proben profitiert haben.
Gentests sind in vielerlei Hinsicht das perfekte Feld für Anwendungen des maschinellen Lernens, auch wegen der enormen Datenmengen, mit denen diese Programme zu kämpfen haben. Zum Beispiel beinhaltet die Arbeit am menschlichen Genom das Entschlüsseln von Milliarden von Informationen, und vor dem Aufkommen des maschinellen Lernens waren viele dieser Aufgaben ziemlich entmutigend.
Zum Beispiel hat Google ein Programm namens DeepVariant, mit dem das menschliche Genom nach Ansicht der Wissenschaftler nun vollständig abgebildet werden kann - und das auf das gesamte Spektrum der genetischen Informationen einer Person angewendet werden kann.
Agenturen wie die National Institutes of Health dokumentieren die vielfältigen Beiträge von maschinellem Lernen und künstlicher Intelligenz zum besseren Verständnis von Genetik und Genomik, dem Zweig der Molekularbiologie, der sich mit Genetik befasst. Es gibt sogar eine „Schule“ des maschinellen Lernens namens Evolutionismus, die viele der klassifizierten Aufgaben des maschinellen Lernens abdeckt, die für die genetische Arbeit relevant sind. Letztendlich wirkt maschinelles Lernen als Katalysator für eine schnellere und vielfältigere Entwicklung in der Genforschung und -technik.
