Avertissement : Cette page est une traduction automatique de cette page à l'origine en anglais. Veuillez noter puisque les traductions sont générées par des machines, pas tous les traduction sera parfaite. Ce site Web et ses pages Web sont destinés à être lus en anglais. Toute traduction de ce site et de ses pages Web peut être imprécis et inexacte, en tout ou en partie. Cette traduction est fournie dans une pratique.

Apprentissage automatique en génétique

L'apprentissage automatique et l'artificial intelligence visent à développer les algorithmes d'ordinateur qui s'améliorent avec l'expérience. Ces algorithmes peuvent être employés pour aider avec l'analyse des ensembles de données énormes comprenant des caractéristiques de l'ordonnancement génomique.

Laboratoire futuriste. Artificial intelligence en génétique.Crédit d'image : Gorodenkoff/Shutterstock

Méthodes d'apprentissage automatique

Des méthodes d'apprentissage automatique sont exécutées dans trois étapes. Un chercheur apprenant développe un algorithme qu'ils soupçonnent mèneront à apprendre couronné de succès.

Après, l'algorithme est équipé de grande collecte des données. La caractéristique comprend des résultats négatifs et positifs, ainsi l'algorithme peut apprendre à distinguer les deux. Les résultats sont connus comme marque, et l'algorithme traite ces derniers et les enregistre comme modèle.

Pour finir, la caractéristique non étiquetée neuve est donnée à l'algorithme et elle emploie le modèle pour prévoir les marques pour l'ensemble de caractéristiques neuf. Si apprendre était couronné de succès, alors les marques prévues pour l'ensemble de caractéristiques neuf seront correctes.

Cette méthode désigné sous le nom d'apprendre dirigé et peut être employée pour voir si l'algorithme peut apprendre à identifier une valeur spécifique d'un ensemble de caractéristiques.

Les méthodes apprenantes non guidées ne fournissent pas à l'algorithme des exemples marqués à l'aide apprenant mais donnent à l'algorithme des données brutes dans l'espoir qu'il peut trouver une structure dans l'ensemble de données.

Le chercheur apprenant doit employer ce qu'elles savent déjà les caractéristiques pour établir un modèle prévisionnel et pour s'appliquer ceci à l'algorithme.

Applications d'apprentissage automatique à la génétique

Des algorithmes d'apprentissage automatique peuvent être employés pour analyser de grands ensembles de caractéristiques de ordonnancement génomiques. Dirigé apprendre des méthodes pour l'identification de gènes exige l'entrée des séquences d'ADN marquées qui spécifient l'emplacement de début et de fin du gène.

L'algorithme emploie alors ce modèle pour apprendre les propriétés générales des gènes tels que les configurations de ADN-ordonnancement et l'emplacement des codons non-sens.

Après cette formation, le modèle peut employer ces propriétés instruites pour recenser les gènes complémentaires des ensembles de données neufs qui ressemblent aux gènes dans le jeu de formation.

Pour que les algorithmes apprenants profonds fonctionnent avec succès, des fonctionnements de perte (indiquant combien précis une prévision est) et les fonctionnements de risque (indiquant la perte moyenne en travers de la formation réglée) sont employés dans le modèle pour régler aux prévisions trompeuses de l'algorithme.

Quand la caractéristique s'exerçante n'est pas procurable, des méthodes apprenantes non guidées sont employées. Un exemple de quand ceci peut être nécessaire est pendant l'évaluation des caractéristiques génomiques hétérogènes.

La modification d'histone, l'accessibilité de chromatine, et le facteur de transcription grippant le long du génome peuvent fournir des informations concernant l'activité du génome. Cette information peut alors être employée pour produire un ensemble de marques.

Les deux méthodes peuvent être employées pour découvrir des gènes d'intérêt et d'autres informations sur un génome ordonnancé.

Avancements récents en génétique utilisant l'apprentissage automatique

L'analyse de composant principal (PCA) est un exemple de non guidé apprenant ce qui est employée pour découvrir la force des relations inconnues parmi des personnes.

La CD prend un mélange de différents génotypes (avec la dimensionnalité très élevée) et produit un résumé d'inférieur-cote qui indique comment les génotypes groupent.

La CD a été précédemment employée pour montrer comment les relations parmi les personnes européennes reflètent la géographie.

Les méthodes dirigées d'apprentissage automatique étaient utilisées récemment pour distinguer entre les régions génomique remarquant épurant le choix et ceux qui n'ont eu aucune contrainte sélectrice. Ceci a été découvert utilisant seulement des caractéristiques génomiques de population.

Cette étude a découvert les régions de candidat du génome qui ont été hautement enrichies dans les domaines de réglementation des gènes qui sont importants pour le développement correcte du système nerveux central.

La présence des régions de candidat près d'un gène peut prévoir des changements de humain-détail d'expression du cerveau.

Points de vue et le contrat à terme de l'apprentissage automatique en génétique

En conclusion, l'apprentissage automatique est un sujet très complexe et vaste. On peut produire des algorithmes qui tiennent compte d'une analyse bien plus précise des caractéristiques que beaucoup d'autres méthodes qui existent.

La méthode d'apprentissage automatique qui est employé dépendra de la nature des caractéristiques qui sont procurables et ce qui les chercheurs essayent de découvrir.

Plus de recherche sur l'apprentissage automatique et l'artificial intelligence fournira des voies plus précises d'analyser les caractéristiques génomiques à l'avenir, qui mèneront à plus de découvertes.

Further Reading

Last Updated: Jun 25, 2019

Written by

Samuel Mckenzie

Sam graduated from the University of Manchester with a B.Sc. (Hons) in Biomedical Sciences. He has experience in a wide range of life science topics, including; Biochemistry, Molecular Biology, Anatomy and Physiology, Developmental Biology, Cell Biology, Immunology, Neurology  and  Genetics.

Citations

Please use one of the following formats to cite this article in your essay, paper or report:

  • APA

    Mckenzie, Samuel. (2019, June 25). Apprentissage automatique en génétique. News-Medical. Retrieved on April 17, 2021 from https://www.news-medical.net/life-sciences/Machine-Learning-in-Genetics.aspx.

  • MLA

    Mckenzie, Samuel. "Apprentissage automatique en génétique". News-Medical. 17 April 2021. <https://www.news-medical.net/life-sciences/Machine-Learning-in-Genetics.aspx>.

  • Chicago

    Mckenzie, Samuel. "Apprentissage automatique en génétique". News-Medical. https://www.news-medical.net/life-sciences/Machine-Learning-in-Genetics.aspx. (accessed April 17, 2021).

  • Harvard

    Mckenzie, Samuel. 2019. Apprentissage automatique en génétique. News-Medical, viewed 17 April 2021, https://www.news-medical.net/life-sciences/Machine-Learning-in-Genetics.aspx.

Comments

The opinions expressed here are the views of the writer and do not necessarily reflect the views and opinions of News Medical.