Како синтетички геноми генерирани од АИ може да ја подобрат приватноста

Применетата вештачка интелигенција (АИ) во биотехнологијата и животните науки е растечка област. Напредокот во геномиката, компјутерската моќ и софистицираноста на алгоритмите придонесоа за овој нов тренд.

Во една рецензирана студија објавена во четвртокот во PLOS Генетика , научниците во Естонија и Франција го користеа машинското учење со вештачка интелигенција за да создадат вештачки човечки геноми - напредок што може да помогне да се подобри индивидуалната приватност и да се забрза биомедицинското истражување.

Зошто им овозможуваме на компјутерите да создаваат вештачки геноми (АГ)? Машинското учење с increasingly повеќе се користи за забрзување на истражувањата во многу области, вклучувајќи биотехнологија, прецизна медицина, геномика, епидемиологија, животни науки и откривање фармацевтски лекови. Потребни се големи збирки податоци за да се обучи и тестира машинското учење. Во областа на геномиката, достапноста на податоци за истражување има свои уникатни предизвици, бидејќи генетските податоци честопати не се достапни поради ограничувања на приватноста.

Дополнително, разновидноста на податоците останува област за подобрување. Според истражувањето објавено во Мобилен во 2019 година, повеќето генетски студии за човечки болести се базираат на популации со европско потекло и затоа може да претставуваат ризик при примена на пристрасното истражување за клинички цели во реалниот свет и поставување политики.

„Генеративните модели и АГ имаат потенцијал да станат вредни средства во генетските студии преку обезбедување богата, но компактна претстава за постоечките геноми и висококвалитетни, лесно достапни и анонимни алтернативи за приватни бази на податоци“, напишаа истражувачите Бурак Јелмен, Линда Онгаро, Давиде Марнето, Франческо Монтинаро и Лука Пагани од Универзитетот во Тарту во Естонија, заедно со истражувачите Орилијан Десел, Флора ayеј, Сирил Фуртлехнер и Корентин Талек од Универзитетот Париз-Суд и Универзитетот Париз-Сакла.

Во изминатата деценија, направен е значителен напредок во машинското учење на вештачката интелигенција во областите на компјутерска визија, препознавање говор, препознавање глас и слични задачи кои вклучуваат препознавање шеми и предвидувања. Овозможувањето компјутери со вештачка имагинација е понов феномен. Компјутерите што генерираат фотореалистички синтетички слики во голема мера беа иницирани од Јан Гудфелоу, Јошуа Бенгио и нивните истражувачки колеги со воведување на генеративни непријателски мрежи (ГАН) во 2014 година, нов тип рамка за машинско учење.

„Во оваа студија, покажавме дека длабоките генеративни непријателски мрежи (ГАН) и ограничените Болцманови машини (РБМ) можат да се обучат да научат сложени дистрибуции на вистински геномски сетови на податоци и да генерираат нови висококвалитетни вештачки геноми (АГ) без мала приватност. загуба “, напишаа истражувачите.

GAN се составени од две вештачки нервни мрежи кои истовремено тренираат едни со други додека се натпреваруваат. Во ГАН, една нервна мрежа создава синтетички примероци, а другата невронска мрежа се обидува да утврди дали примероците се од вистински податоци или се создадени.

За да се создадат вештачки геноми, тимот користеше генеративна непријателска мрежа, ограничена Болцманова машина и два генеративни модели (Бернули и Марков). Податоците беа искористени од над 2.500 лица од Проектот за 1.000 геноми, како и 1.000 лица од естонската биобанка. За комплетот податоци за тестот, беа користени дополнителни 2.000 естонски геноми. Моделот GAN користеше Python, Keras, TensorFlow, Pandas и Numpy.

„Според нашите сознанија, ова е прва примена на моделите на GAN и RBM во контекст на генетиката на популацијата, што покажува сеопфатна ветувачка применливост“, пишуваат истражувачите.

Вештачките геноми се направени без потреба од основната еволутивна историја, или однапред обработка на биоинформатиката. Истражувачите не најдоа точни копии од вистински геноми во комплетите на вештачки геноми создадени од моделите GAN или RBM. Сепак, истражувачите истакнуваат дека пронаоѓањето на генерирање примероци назад кон оригиналот би било многу сложен потфат.Така, за да се обезбеди целосна анонимност на поединци, научниците препорачуваат да се развијат сигурни мерења во иднина.

„Иако во моментов постојат некои ограничувања, генеративните модели најверојатно ќе станат познати за генетско истражување во блиска иднина со многу ветувачки апликации“, заклучи истражувачкиот тим. „Во оваа работа, ги демонстриравме првите можни имплементации и употреба на AG, особено за да се користат како реални сурогати на вистински геноми до кои може да се пристапи јавно без грижи за приватноста“.

Заштитени авторски права © 2021 Cami Rosso Сите права се задржани.