Inteligența artificială a cucerit lumea cu forța sa. În domeniul biologiei, uneltele AI numite rețele neurale profunde (DNNs) s-au dovedit inestimabile pentru a prezice rezultatele experimentelor genomice. Utilitatea lor plasează aceste instrumente în poziția de a deschide calea către cercetări eficiente, ghidate de AI, și potențial descoperiri salvatoare de vieți – dacă oamenii de știință reușesc să rezolve problemele. Descoperirile sunt publicate în jurnalul npj Artificial Intelligence.
„În prezent, există multe instrumente AI diferite în care furnizezi un input și ele generează un output, dar nu avem un mod bun de a evalua certitudinea sau cât de încrezătoare sunt în răspunsurile lor,” explică profesorul asociat de la Cold Spring Harbor Laboratory (CSHL), Peter Koo. „Toate rezultatele sunt prezentate în același format, indiferent dacă folosești un model de limbaj mare sau DNNs utilizate în genomica și alte domenii ale biologiei.”
Este una dintre cele mai mari provocări cu care se confruntă cercetătorii de astăzi. Acum, Koo, fostul postdoc de la CSHL, Jessica Zhou, și doctorandul Kaeli Rizzo au conceput o soluție potențială – DEGU (Distilarea Ansamblurilor pentru modele conștiente de incertitudine genomică). DNN-urile antrenate folosind DEGU sunt mai eficiente și mai precise în predicțiile lor decât cele învățate prin metode standard.
„Când vrem să facem afirmații în biologie, nu vrem să ne bazăm pe un singur model,” explică Koo. „De exemplu, am putea antrena 10 modele și vom obține predicții de la fiecare. De obicei, apoi folosim o metodă numită învățare profundă a ansamblurilor pentru a vedea unde sunt de acord sau nu. Dar gestionarea a 10 modele și ansambluri este dificilă, mai ales pe măsură ce dimensiunile modelelor cresc. Aici intervine DEGU.”
DEGU este construit pe o metodă dezvoltată anterior numită „distilarea distribuției ansamblurilor profunde,” care se concentrează pe învățarea distribuției generale a predicțiilor unui DNN în locul estimărilor individuale. Indiferent câte modele sunt folosite, DEGU distilează ansamblurile rezultate până la un singur instrument mult mai ușor de gestionat. Koo, Zhou și Rizzo au descoperit că modelele antrenate folosind acest proces de distilare au oferit predicții mai bune – și explicații mai bune pentru acele predicții – decât cele fără el. De asemenea, au cerut mai puțină putere.
„În loc să fie necesar să analizezi 10 modele odată, lucrezi cu un singur model de o zecime din dimensiune cu aceleași capacități predictive,” explică Rizzo. „Și pentru că lucrezi doar cu un singur model, este mai ușor să înțelegi ce determină predicțiile și incertitudinea acestora.”
Laboratorul lui Koo lucrează acum pentru a îmbunătăți eficiența DEGU și a-l face mai accesibil cercetătorilor din întreaga lume.
„Experimentele de laborator sunt costisitoare,” spune Rizzo. „Dacă putem face modelele noastre la fel de fiabile ca p
Sursa: [Link către articolul original în limba engleză, dacă este disponibil]
Editor RevistaSanatatii.ro. Isi doreste ca activitatea lui sa aduca speranta milioanelor de oameni bolnavi din Romania, sa le aline suferintele si sa le ofere speranta.