Applications of Machine Learning and Deep Learning on Biological Data
Zautomatyzowane uczenie się maszyn charakteryzuje uczenie maszynowe (ML). Koncentruje się ono na tworzeniu prognoz opartych na danych przy użyciu zaprogramowanych algorytmów. ML ma kilka zastosowań, w tym bioinformatykę, która jest dyscypliną nauki i praktyki, która zajmuje się stosowaniem pochodnych obliczeniowych w celu uzyskania danych biologicznych. Obejmuje ona gromadzenie, wyszukiwanie, przechowywanie, manipulowanie i modelowanie danych do analizy lub przewidywania przy użyciu dostosowanego oprogramowania. Wcześniej kompleksowe programowanie algorytmów bioinformatycznych było niezwykle pracochłonnym zadaniem dla takich zastosowań, jak przewidywanie struktur białek. Obecnie algorytmy wykorzystujące uczenie maszynowe i głębokie uczenie (DL) zwiększyły szybkość i skuteczność programowania takich algorytmów.
Applications of Machine Learning and Deep Learning on Biological Data to analiza zastosowania uczenia maszynowego i głębokiego uczenia w takich obszarach jak proteomika, genomika, mikromacierze, eksploracja tekstu i biologia systemów. Głównym celem książki jest omówienie zastosowań uczenia maszynowego w naukach biologicznych, koncentrując się na problemach związanych z bioinformatyką. Książka omawia najnowsze tematy badawcze i metodologie uczenia maszynowego stosowane w szybko rozwijającej się dyscyplinie bioinformatyki.
ML i DL zastosowane do danych biologicznych i neuroobrazowych mogą otworzyć nowe granice dla inżynierii biomedycznej, takie jak lepsze zrozumienie złożonych chorób, w tym raka oraz zaburzeń neurodegeneracyjnych i psychiatrycznych. Postępy w tej dziedzinie mogą ostatecznie doprowadzić do rozwoju medycyny precyzyjnej i zautomatyzowanych narzędzi diagnostycznych zdolnych do dostosowania leczenia do indywidualnego stylu życia, zmienności i środowiska.
Najważniejsze z nich to
⬤ Sztuczna inteligencja w leczeniu i diagnozowaniu schizofrenii.
⬤ Analiza wpływu finansowego ML i DL na opiekę zdrowotną.
⬤ Metoda klasyfikacji oparta na XGBoost do klasyfikacji raka piersi.
⬤ Wykorzystanie ML do przewidywania chorób płaskonabłonkowych.
⬤ Zastosowania ML i DL w genomice i proteomice.
⬤ Zastosowanie ML i DL do danych biologicznych.