Биологиялық зерттеулердегі жасанды интеллект және цифрлық әдістер
DOI:
https://doi.org/10.5281/Кілт сөздер:
жасанды интеллект, машиналық оқыту, терең оқыту, биоинформатика, геномика, сандық микроскопия, биоалуантүрлілік мониторингі, зертханалық автоматтандыруАңдатпа
Биологияда жоғары өнімді секвенирлеу, біржасушалық омика, сандық микроскопия, қашықтан зондтау және автоматтандырылған сенсорлар зерттеу деректерінің көлемі мен күрделілігін күрт арттырды. Осы әдеби шолудың мақсаты – жасанды интеллект пен цифрлық әдістердің биологиялық зерттеулердегі негізгі қолданылу бағыттарын, олардың ғылыми мүмкіндіктерін және сенімді қолдану шарттарын жүйелеу. Рецензияланған еңбектерді тақырыптық синтездеу нәтижесінде жасанды интеллект геномдық варианттарды анықтау, жасушаларды сегменттеу, ақуыз құрылымын болжау, біржасушалық деректерді интеграциялау, жаңа молекулаларды іріктеу, биоалуантүрлілікті мониторингтеу және зертханалық циклдерді автоматтандыруда елеулі нәтиже беретіні көрсетілді. Сонымен қатар жоғары болжамдық көрсеткіш биологиялық механизмнің дәлелденгенін білдірмейді: дерек ағуы, таңдаманың ығысуы, домендер арасындағы айырмашылық, түсіндірмеліліктің шектеулілігі және код пен модельдердің жабықтығы нәтижелерді жалпылауға кедергі келтіреді. Әдебиеттер синтезі жасанды интеллектіні биологті алмастыратын құрал емес, дерек сапасы, сыртқы валидация, пәндік сараптама және қайталанымдылық стандарттарымен басқарылатын зерттеу инфрақұрылымы ретінде қарастыру қажет екенін айқындайды
Әдебиеттер тізімі
1. Bernett, J., Blumenthal, D. B., Grimm, D. G., Haselbeck, F., Joeres, R., Kalinina, O. V., & List, M. (2024). Guiding questions to avoid data leakage in biological machine learning applications. Nature Methods, 21, 1444–1453. https://doi.org/10.1038/s41592-024-02362-y
2. Borowiec, M. L., Dikow, R. B., Frandsen, P. B., McKeeken, A., Valentini, G., & White, A. E. (2022). Deep learning as a tool for ecology and evolution. Methods in Ecology and Evolution, 13(8), 1640–1660. https://doi.org/10.1111/2041-210X.13901
3. Christin, S., Hervet, É., & Lecomte, N. (2019). Applications for deep learning in ecology. Methods in Ecology and Evolution, 10(10), 1632–1644. https://doi.org/10.1111/2041-210X.13256
4. Cui, H., Wang, C., Maan, H., Pang, K., Luo, F., Duan, N., & Wang, B. (2024). scGPT: Toward building a foundation model for single-cell multi-omics using generative AI. Nature Methods, 21, 1470–1480. https://doi.org/10.1038/s41592-024-02201-0
5. Eraslan, G., Avsec, Ž., Gagneur, J., & Theis, F. J. (2019). Deep learning: New computational modelling techniques for genomics. Nature Reviews Genetics, 20, 389–403. https://doi.org/10.1038/s41576-019-0122-6
6. Greener, J. G., Kandathil, S. M., Moffat, L., & Jones, D. T. (2022). A guide to machine learning for biologists. Nature Reviews Molecular Cell Biology, 23, 40–55. https://doi.org/10.1038/s41580-021-00407-0
7. Heil, B. J., Hoffman, M. M., Markowetz, F., Lee, S.-I., Greene, C. S., & Hicks, S. C. (2021). Reproducibility standards for machine learning in the life sciences. Nature Methods, 18, 1132–1135. https://doi.org/10.1038/s41592-021-01256-7
8. Jumper, J., Evans, R., Pritzel, A., et al. (2021). Highly accurate protein structure prediction with AlphaFold. Nature, 596, 583–589. https://doi.org/10.1038/s41586-021-03819-2
9. King, R. D., Rowland, J., Oliver, S. G., Young, M., Aubrey, W., Byrne, E., et al. (2009). The automation of science. Science, 324(5923), 85–89. https://doi.org/10.1126/science.1165620
10. LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521, 436–444. https://doi.org/10.1038/nature14539
11. Lopez, R., Regier, J., Cole, M. B., Jordan, M. I., & Yosef, N. (2018). Deep generative modeling for single-cell transcriptomics. Nature Methods, 15, 1053–1058. https://doi.org/10.1038/s41592-018-0229-2
12. Moen, E., Bannon, D., Kudo, T., Graf, W., Covert, M., & Van Valen, D. (2019). Deep learning for cellular image analysis. Nature Methods, 16, 1233–1246. https://doi.org/10.1038/s41592-019-0403-1
13. Norouzzadeh, M. S., Nguyen, A., Kosmala, M., Swanson, A., Palmer, M. S., Packer, C., & Clune, J. (2018). Automatically identifying, counting, and describing wild animals in camera-trap images with deep learning. Proceedings of the National Academy of Sciences, 115(25), E5716–E5725. https://doi.org/10.1073/pnas.1719367115
14. Pachitariu, M., & Stringer, C. (2022). Cellpose 2.0: How to train your own model. Nature Methods, 19, 1634–1641. https://doi.org/10.1038/s41592-022-01663-4
15. Pichler, M., & Hartig, F. (2023). Machine learning and deep learning– A review for ecologists. Methods in Ecology and Evolution, 14(4), 994–1016. https://doi.org/10.1111/2041-210X.14061
16. Poplin, R., Chang, P.-C., Alexander, D., Schwartz, S., Colthurst, T., Ku, A., et al. (2018). A universal SNP and small-indel variant caller using deep neural networks. Nature Biotechnology, 36, 983–987. https://doi.org/10.1038/nbt.4235
17. Stokes, J. M., Yang, K., Swanson, K., Jin, W., Cubillos-Ruiz, A., Donghia, N. M., et al. (2020). A deep learning approach to antibiotic discovery. Cell, 180(4), 688–702.e13. https://doi.org/10.1016/j.cell.2020.01.021
18. Stowell, D. (2022). Computational bioacoustics with deep learning: A review and roadmap. PeerJ, 10, e13152. https://doi.org/10.7717/peerj.13152
19. Stringer, C., Wang, T., Michaelos, M., & Pachitariu, M. (2021). Cellpose: A generalist algorithm for cellular segmentation. Nature Methods, 18, 100–106. https://doi.org/10.1038/s41592-020-01018-x
20. Tunyasuvunakool, K., Adler, J., Wu, Z., et al. (2021). Highly accurate protein structure prediction for the human proteome. Nature, 596, 590–596. https://doi.org/10.1038/s41586-021-03828-1
21. Vamathevan, J., Clark, D., Czodrowski, P., Dunham, I., Ferran, E., Lee, G., et al. (2019). Applications of machine learning in drug discovery and development. Nature Reviews Drug Discovery, 18, 463–477. https://doi.org/10.1038/s41573-019-0024-5
22. Varadi, M., Anyango, S., Deshpande, M., et al. (2022). AlphaFold Protein Structure Database: Massively expanding the structural coverage of protein-sequence space with high-accuracy models. Nucleic Acids Research, 50(D1), D439–D444. https://doi.org/10.1093/nar/gkab1061
23. Wäldchen, J., & Mäder, P. (2018). Machine learning for image based species identification. Methods in Ecology and Evolution, 9(11), 2216–2225. https://doi.org/10.1111/2041-210X.13075
24. Walsh, I., Fishman, D., Garcia-Gasulla, D., et al. (2021). DOME: Recommendations for supervised machine learning validation in biology. Nature Methods, 18, 1122–1127. https://doi.org/10.1038/s41592-021-01205-4
25. Wilkinson, M. D., Dumontier, M., Aalbersberg, I. J., et al. (2016). The FAIR Guiding Principles for scientific data management and stewardship. Scientific Data, 3, 160018. https://doi.org/10.1038/sdata.2016.18
Жарияланды
Журналдың саны
Бөлім
Лицензия
Авторлық құқық (c) 2026 Жанел Рысбекова, М.Н. Мәулен (Автор)
Бұл жұмыс Creative Commons атрибуты бойынша лицензияланған. 4.0 Халықаралық лицензия.
Мақалалар Creative Commons Attribution 4.0 International (CC BY 4.0) лицензиясы бойынша таратылады.
