Q:
Hvordan påvirker maskinlæring genetisk test?
EN:Maskinindlæring anvendes til genetisk testning på mange forskellige måder.
Ansøgningerne er næsten uendelige. Maskinindlæring hjælper forskere med at analysere DNA, afkode det menneskelige genom, vurdere sygdomsfænotyper, forstå genekspression og endda deltage i en proces, der kaldes genredigering, hvor DNA faktisk "splejses" til en organisms genetiske kode.
| Gratis download: Machine Learning og Why It Matters |
Metoderne til datalogi, der bruges i genetisk maskinlæring, varierer også meget. Nogle projekter bruger overvåget læring, hvor alle data tidligere er mærket. Andre bruger uovervåget læring, der bygger på umærkede datasæt, eller en blanding af de to principper kaldet semi-supervised learning.
Mange af de forbrugervendte genetiske testteknologier, som vi ser på markedet, bruger en form for maskinindlæring eller kunstig intelligens til at fungere. For eksempel kan produkter, der hjælper med at vise individer mere om deres genetiske sammensætning, have draget fordel af maskinlæring i forskning og udvikling eller ved den igangværende analyse af prøver.
På mange måder er genetisk testning det perfekte felt til applikationer med maskinlæring, delvis på grund af de enorme mængder data, som disse programmer har at kæmpe med. F.eks. Involverer arbejdet med det menneskelige genom at dechiffrere milliarder af informationsbits, og inden brugen af maskinlæring var mange af disse opgaver ret skræmmende.
For eksempel har Google et program kaldet DeepVariant, som forskere siger, at det nu kan bruges til fuldt ud at kortlægge det menneskelige genom - som kan bruges på det fulde spektrum af en persons genetiske information.
Agenturer som National Institutes of Health dokumenterer de mange måder, som maskinlæring og kunstig intelligens bidrager til bedre forståelse af genetik og genomik, den gren af molekylærbiologi, der dækker genetisk videnskab. Der er endda en "skole" med maskinlæring kaldet evolutionisme, der dækker mange af de klassificerede maskinlæringsopgaver, der er relevante for genetisk arbejde. I sidste ende fungerer maskinlæring som en katalysator for hurtigere og mere forskelligartet udvikling inden for genetisk forskning og teknik.
