Привет еще раз!

Если это название звучит для вас знакомо, то вы не ошиблись, потому что я ранее писал что-то подобное.

Меня, студента-биохимика, спрашивали, почему ИИ? И при чем здесь моя первая степень, ведь они кажутся расходящимися, хотя на самом деле это не так. Они собираются вместе, чтобы сделать самый сумасшедший, удивительный сэндвич, о котором вы когда-либо могли подумать.

Итак, кто-то удивительный наткнулся на мою первую статью и попросил меня написать еще одну, так что я собираюсь сделать это здесь.

С ростом популярности машинного обучения и науки о данных я считаю, что человеку с любым опытом STEM легче заняться машинным обучением, чем тому, кто этого не делает, хотя это все еще возможно.

Здесь я перечислю некоторые приложения ИИ в биохимии, которые показались мне интересными.

Прогнозирование активности биологических молекул при открытии лекарств

При разработке лекарств предсказание активности нового соединения может быть проблемой, поскольку стандартной практикой является проверка биологической активности нового соединения и того, как оно влияет на молекулу-мишень и другие нецелевые молекулы (что может привести к побочным эффектам). .

«ИИ влияет на все аспекты фармацевтической промышленности, начиная с самых ранних аспектов открытия лекарств и заканчивая тем, как мы проводим клинические разработки и доставляем лекарства пациентам», — Питер Петерс, Janssen Research & Development.

Использование машинного обучения помогает разрабатывать безопасные и эффективные лекарства, и это достигается путем выявления молекул, которые очень активны в отношении определенных целей, а не в отношении других целей. Эта практика позволяет нам найти наилучшие статистические методы для прогнозирования биологической активности различных молекул, попадающих в цель и не попадающих в цель, когда заданы числовые дескрипторы, созданные на основе их химической структуры.

Думаю, проще говоря, это может означать, что при разработке новых лекарств мы должны учитывать не только молекулу, от которой пытаемся избавиться, но и другие молекулы, которые могут быть затронуты, чтобы уменьшить побочные эффекты и другие проблемы, которые могут возникнуть. возникают.

Использованная литература:

АльфаФолд 2

В своей первой статье я рассказывал об AlphaFold, а в прошлом году (2020) оказалось, что команда Google DeepMind создала еще больше волшебства.

AlphaFold используется для предсказания структуры белков из аминокислот, что в течение многих лет оказывалось сложной задачей. Они утверждают, что эта новая итерация точно предсказывает эти структуры. Это будет очень полезно для биологических исследований и открытия лекарств.

В чем разница между AlphaFold 1 и AlphaFold 2?

В AlphaFold 1 использовались параллельные нейронные сети (CNN), а в AlphaFold 2 — трансформеры.

Когда я говорю «Трансформеры», я не имею в виду Оптимуса Прайма и Бамблби.

Я имею в виду это:

Трансформеры — это новые крутые (такие как Оптимус Прайм) архитектуры машинного обучения, которые используются для выполнения удивительных вещей в обработке естественного языка (NLP), таких как GPT-3 Open AI (Generative Pre-trained Transformer 3) (Generative Pre-trained Transformer 3) вести почти человеческие разговоры и, честно говоря, немного жутковато.

Таким образом, AlphaFold 2 будет полезен для ускорения открытия лекарств, помогая нам лучше понять болезни и другие области применения в области наук о жизни.

Если вы хотите понять это более подробно, вы можете ознакомиться со статьей Дейла Марковица ниже Объяснение AlphaFold 2: полуглубокое погружение.

Использованная литература:

Машинное обучение для разработки системы автоверификации

Лаборатория клинической биохимии смогла использовать машинное обучение для создания системы автопроверки, помогающей находить ошибки в результатах лабораторных исследований.

Процессы автопроверки на основе правил существуют, но использование системы искусственного интеллекта снизило количество недействительных отчетов примерно на 80 % по сравнению с отчетами, оцениваемыми механизмом на основе правил.

Это помогло поддержать лабораторные испытания, отличить недействительные отчеты, помогло повысить эффективность работы и снизить нагрузку в лаборатории биохимии.

Использованная литература:

Прогнозирование межбелковых взаимодействий

Используя глубокое обучение на основе последовательностей, мы можем прогнозировать межбелковые взаимодействия.

Что такое белок-белковые взаимодействия (PPI)?

Белок-белковые взаимодействия представляют собой физические контакты высокой специфичности, устанавливаемые между двумя или более белковыми молекулами в результате биохимических событий. Они представляют собой обширную сложную сеть реакций, важных для регуляции и выполнения большинства биологических процессов.

Они имеют решающее значение для формирования структур макромолекул (поскольку белки составляют много важных вещей) и ферментативных комплексов, которые составляют основу почти каждого клеточного процесса.

Как используется машинное обучение?

Среда глубокого обучения использовалась для моделирования и прогнозирования белок-белковых взаимодействий с использованием только информации о последовательности. Результаты показали, что он превзошел современные методы в нескольких тестах.

Подробнее об этом здесь.

Использованная литература:

Прогнозирование изобилия мРНК непосредственно из геномных последовательностей

Глубокие сверточные нейронные сети применялись для точного прогнозирования уровней экспрессии генов исключительно на основе последовательностей генома.

Модель под названием Xpresso помогла определить механизмы регуляции транскрипционных и посттранскрипционных генов и точно предсказать уровни экспрессии генов.

Это исследование смогло продемонстрировать, что значительная доля изменчивости между генами в отношении их устойчивых уровней экспрессии мРНК предсказуема на основе признаков, полученных исключительно из геномной последовательности.

Использованная литература:

Больше удивительных вещей:

Нашел это на Reddit, потрясающем репозитории GitHub с проектами глубокого обучения, связанными с биологией.

Спасибо за чтение!

Если вы хотите связаться со мной, вы можете сделать это через электронную почту, LinkedIn или Twitter.

Увидимся в моем следующем посте :)