Inteligencia biológica
El aprendizaje automático en bioinformática es la aplicación de algoritmos de aprendizaje automático a la bioinformática,[1] incluyendo la genómica, la proteómica, los microarrays, la biología de sistemas, la evolución y la minería de textos[2][3].
Antes de la aparición del aprendizaje automático, los algoritmos bioinformáticos tenían que programarse a mano; para problemas como la predicción de la estructura de las proteínas, esto resultaba difícil[4] Las técnicas de aprendizaje automático, como el aprendizaje profundo, pueden aprender características de los conjuntos de datos, en lugar de requerir que el programador las defina individualmente. El algoritmo puede aprender además cómo combinar características de bajo nivel en características más abstractas, y así sucesivamente. Este enfoque multicapa permite a estos sistemas hacer predicciones sofisticadas cuando se entrenan adecuadamente. Estos métodos contrastan con otros enfoques de la biología computacional que, si bien explotan los conjuntos de datos existentes, no permiten que los datos se interpreten y analicen de forma imprevista. En los últimos años, el tamaño y el número de conjuntos de datos biológicos disponibles se han disparado[2].
Curso de aprendizaje automático para biólogos
A medida que se generan más y más datos de la biología y la medicina modernas, la inteligencia artificial (IA) desempeña un papel más importante para ayudar a obtener conclusiones significativas y lógicas en biología y medicina. La comprensión de los datos biológicos y médicos ayudará a responder preguntas importantes sobre la vida en la Tierra, a encontrar soluciones para los problemas de salud globales e incluso a resolver problemas como el diseño de fármacos y el diagnóstico de enfermedades.
A medida que la IA se convierte en un área de investigación candente, la tecnología de computación inteligente también se está convirtiendo en un campo floreciente. En esta sección especial, solicitamos artículos técnicos relacionados con la bioinformática de la Conferencia Internacional sobre Computación Inteligente (ICIC) de 2021, en la que sólo se considerarán las versiones ampliadas de los artículos presentados en ICIC 2021. Todos los trabajos incluidos en la sección especial serán revisados inicialmente por nuestro comité técnico. A continuación, los autores deberán revisar y reforzar sus trabajos de acuerdo con los comentarios de la revisión. Después, deberán enviar sus trabajos al sistema de presentación electrónica del TCBB para una revisión oficial por pares. Los temas de interés incluyen, pero no se limitan a:
Inteligencia artificial y biología molecular
Nuestra investigación se centra en el desarrollo de algoritmos de aprendizaje automático que permitan utilizar la información biológica completa de un individuo para predecir o diagnosticar enfermedades, y encontrar o desarrollar la mejor terapia para ese individuo.
Recientemente se ha hecho posible recuperar información a nivel molecular de un individuo, como la secuencia de ADN, los niveles de expresión génica en diversos tejidos, el perfil epigenómico y otra información. Aunque cada vez se dispone de más datos de este tipo, todavía no podemos comprender los mecanismos genéticos y moleculares que causan las enfermedades. El reto se debe a la naturaleza multifactorial de las enfermedades. Una misma enfermedad puede estar causada por mutaciones en diferentes genes o por diferentes vías patogénicas. Por desgracia, los enfoques actuales de análisis de datos no logran captar la compleja relación entre la enfermedad y la gran cantidad de información que contienen los datos moleculares.
La inteligencia artificial en la biología y la medicina
La inteligencia artificial ve cosas que nosotros no vemos, a menudo en su detrimento. Aunque las máquinas se han vuelto increíblemente buenas en el reconocimiento de imágenes, sigue siendo fácil engañarlas. Basta con añadir una pequeña cantidad de ruido a las imágenes de entrada, indetectable para el ojo humano, y la IA clasifica de repente autobuses escolares, perros o edificios como objetos completamente diferentes, como avestruces.
En un artículo publicado en Internet en junio, Nicolas Papernot, de la Universidad de Toronto, y sus colegas estudiaron diferentes tipos de modelos de aprendizaje automático que procesan el lenguaje y encontraron una forma de engañarlos manipulando el texto de entrada en un proceso invisible para los humanos. Las instrucciones ocultas sólo las ve el ordenador cuando lee el código que hay detrás del texto para asignar las letras a bytes en su memoria. El equipo de Papernot demostró que incluso las adiciones más pequeñas, como los caracteres individuales que codifican los espacios en blanco, pueden causar estragos en la comprensión del texto por parte del modelo. Y estas confusiones también tienen consecuencias para los usuarios humanos: en un ejemplo, un solo carácter hizo que el algoritmo produjera una frase que decía al usuario que enviara dinero a una cuenta bancaria incorrecta.