生命科学基础与计算机的关系,人工智能与生命科学

原标题：人工智能与生命科学

人工智能( AI )构成了机器学习和深度学习，它使计算机能够学习，而不需要对每一步进行明确编程。

这种技术在生命科学工业中非常有用，例如在实验室中对不同类型的癌细胞进行分类。自然，技术既是一种功能，也不需要显式编程，它将影响生命科学行业的大量工作。

机器学习和深度学习有几种类型，它们是人工智能的子类别。基本原理规定，人工智能是机器智能，当遇到问题时，它会产生最佳结果。这为生命科学应用奠定了良好的人工智能——人工智能可以被教导分化细胞，用于更高质量的成像技术和基因组数据分析。

深度学习是生物学人工智能领域中最受欢迎的一个方面。深度学习的结构源于人脑的结构，因为有神经网络相互连接，数据通过神经网络传递。在每一层，提取一些数据。例如，在细胞中，一层可以分析细胞膜，下一层可以分析一些细胞器，等等，直到可以识别细胞。

在经典的机器学习中，数据在暴露于机器学习模型之前，通常需要进行一些转换或操作，以形成更有意义的形式，例如特征或连接。通过深入学习，这是不需要的。基因组数据需要分析大量的基础，可以直接输入深度学习模型，在那里计算机必须找到有意义的特征或关系。尽管人工智能随后取消了一项分析基因组数据的工作，但它也创造了一项新的工作——研究人员不负责分类，也无法解释为什么模型预测它的方式。模型如何运作的这种不确定性，为研究人员提供了一个机会，例如，找出机器学习系统为什么选择一个基因而不是另一个基因。

图像分析是受到人工智能影响的生命科学领域之一。虽然自动成像软件在没有人工智能的情况下已经存在，但是深度学习的增加使得软件可以使用几个特性，这些特性最初可能并不明显。

例如，软件CellProfiler结合了深度学习来测量特征，例如细胞器的纹理和细胞中空白空间的质量。在这种情况下，科学家通常在测量细胞特征方面所做的工作可以通过自动化的人工智能软件来完成。然而，通过测量异常特征，人工智能可以获取更多未开发的信息。

基因组自然适合人工智能，因为它们通常由大量数据集组成，需要大量注释和工作。现有的软件需要注释良好的基因组，正因为如此，我们的理解主要集中在更受欢迎的生物体上。利用深度学习，一种叫做deep variant的软件可以通过将基因组信息转换成图像来识别单核苷酸多态性。这些图像代表不同的核苷酸，可以被模型用来识别多态性。这种方法使得主流之外的研究人员可以使用，因为可以研究更多不常见的模式生物。这就消除了研究人员在改进低质量参考基因组和其他相关高错误率方面的大量工作。

总之，尽管对细胞图像分析员和致力于改进基因组注释的科学家的需求减少了，但对科学家的一个特殊分支的需求增加了。这些是计算生物学家，他们是上述两个软件的幕后黑手。随着越来越多的生命科学专业人士寻求将人工智能应用于实验室，他们面临着越来越多的就业机会。虽然AIs在几个方面都比人类科学家强，但他们更有可能接手某些任务，而不是生命科学专业人员的工作。

上次更新时间: 2018年10月29日

https://www.news-medical.net/life-sciences/Artificial-Intelligence-and-Life-Science.aspx 返回搜狐，查看更多

责任编辑：