کاربردهای هوش مصنوعی در بیوتکنولوژی شامل شناسایی هدف دارو، غربالگری دارو، غربالگری تصویر و مدل سازی پیش بینی است. هوش مصنوعی همچنین برای درک بیشتر ادبیات علمی و مدیریت داده‌های کارآزمایی بالینی استفاده می‌شود. فناوری‌های هوش مصنوعی برای خدمت به صنعت بیوتکنولوژی توسط چندین شرکت در حال توسعه است.
با استفاده از یادگیری ماشین، هوش مصنوعی می‌تواند مجموعه داده‌های مختلف آزمایش کارآزمایی بالینی را مدیریت کند، غربالگری مجازی را فعال کند و مقدار زیادی از داده‌ها را تجزیه و تحلیل کند. علاوه بر کاهش هزینه‌های کارآزمایی بالینی، هوش مصنوعی می‌تواند بینش غیرقابل دستیابی پیدا کند و آنها را دوباره در روند تولید دارو تغذیه کند.
چندین فناوری در حال توسعه فناوری های هوش مصنوعی برای خدمت به صنعت بیوتکنولوژی هستند. خدمات قدیمی آنها به سرعت ضروری می‌شود زیرا روشهای قدیمی مانند تجزیه و تحلیل آماری کلاسیک یا اسکن تصاویر دستی به حدود عملی خود می‌رسند.
دنیای جدیدی از فراوانی هوش مصنوعی در مهندسی ژنتیک
Atomwise اولین شرکتی بود که نوع معمولی یادگیری ماشین، شبکه عصبی کانولوشن (CNN) را برای طراحی و کشف دارو بکار برد. CNN در برنامه‌های روزمره آشنا مانند فناوری تشخیص گفتار الکسا یا ویژگی برچسب گذاری تصویر فیس بوک استفاده می‌شود. Atomwise ۵۵۰ پروژه یادگیری ماشین در حال انجام دارد که بر روی مشکلاتی مانند کشف ضربه، بهینه سازی قدرت، بهینه سازی انتخاب و آزمایش سمیت خارج از هدف تمرکز دارند.که از این رو کاربرد هوش مصنوعی بیوتکنولوژی را کاملا مشهود میبینیم.
هوش مصنوعی مستقل در استفاده در دنیای واقعی
یادگیری ماشینی همچنین فرصتهای هیجان انگیزی را در حوزه تشخیص بالینی فراهم می‌کند. به عنوان مثال، فناوری های هوش مصنوعی برای کاربردهای پزشکی توسط Eyenuk در حال توسعه است. اولین محصول شرکت به بازار، از AI برای تشخیص بیماری از تصاویر شبکیه استفاده می‌کند. در یک کارآزمایی بالینی که شامل ۹۴۲ بیمار بود و شامل ۱۵ مرکز پزشکی در سراسر ایالات متحده بود، حساسیت برای تشخیص رتینوپاتی دیابتی بیش از ۹۵٪ بود.
الگوریتم ژنتیک در هوش مصنوعی
الگوریتم‌های ژنتیک الگوریتم‌های جستجوی تصادفی هستند که بر روی جمعیتی از راه حلهای ممکن عمل می‌کنند. الگوریتم‌های ژنتیک در هوش مصنوعی مانند سایر الگوریتم‌های جستجو در هوش مصنوعی استفاده می‌شود – برای جستجوی فضای راه حلهای بالقوه برای یافتن یکی که مشکل را حل کند.
مشکلات غربالگری دارو با انبوهی از مولکول ها جابجا می‌شود. “اگر ۱۰۰ میلیارد مولکول داشته باشید و ۹۹٪ مدل دقیق داشته باشید، بسیار خوب به نظر می‌رسد. هایفس می‌گوید: “اما این بدان معنی است که شما یک درصد مثبت کاذب دارید و پاسخ درست شما در یک میلیارد مثبت کاذب قرار می‌گیرد. در حقیقت، آنچه شما برای کار پربار و مثمر ثمر در این دنیای جدید فراوانی نیاز دارید، تکنیک‌های محاسباتی است که بیش از دقت ۹۹٪ – ۹۹٫۹۹۹٪ است. “
مانند بسیاری دیگر از فن آوری های مخرب در تحقیقات دارویی – فناوری‌هایی مانند ویرایش ژن CRISPR، تجزیه پروتئین در تخریب پروتئین ناشی از کیمرا و تداخل RNA – AI باعث ایجاد هیجان زیادی می‌شود. هایفس اظهار داشت: “هوش مصنوعی” ، قول می‌دهد [به تولیدکنندگان دارو کمک کند] اهداف غیرقابل حل قبلی را دنبال کنند. ” او اشاره می کند که علاقه اولیه به فن آوری‌های مخرب مانند هوش مصنوعی مقدم بر نتایج بالینی باورنکردنی است. وی تأکید می‌کند: “این نوید گشودن فرصتهای سبز است.”
اجزای اصلی الگوریتم ژنتیک در هوش مصنوعی چیست؟
اجزای اصلی در الگوریتم ژنتیک عبارتند از متقاطع (CrossOver) ، جهش (Mutation) و انتخاب بهترین (Selection of the fittest) .
الگوریتم ژنتیک AI چگونه کار می‌کند؟
از نظر محاسبات، یک الگوریتم ژنتیک مدل محاسبه را با داشتن آرایه‌هایی از بیت یا کاراکتر (رشته باینری) برای نشان دادن کروموزوم‌ها پیاده سازی می‌کند. هر رشته یک راه حل بالقوه را نشان می‌دهد. سپس الگوریتم ژنتیک امیدوار کننده ترین کروموزوم‌ها را که در جستجوی راه حلهای بهبود یافته هستند، دستکاری می‌کند.
چرا الگوریتم ژنتیک مهم است؟
آنها معمولاً برای تولید راه حلهای با کیفیت بالا برای مشکلات بهینه سازی و مشکلات جستجو استفاده می‌شوند. الگوریتم‌های ژنتیک فرآیند انتخاب طبیعی را شبیه سازی می‌کنند، به این معنی که گونه‌هایی که می‌توانند با تغییرات محیط خود سازگار شوند قادر به زنده ماندن و تولید مثل هستند و به نسل بعدی می‌روند.
کاربرد هوش مصنوعی در مهندسی ژنتیک
هوش مصنوعی (AI) شبیه سازی هوش در یک عامل غیر زنده است. در زمینه تشخیص بالینی ما AI را به عنوان هر سیستم رایانه‌ای تعریف می‌کنیم که بتواند به درستی داده‌های سلامتی را تفسیر کند. خصوصاً به صورت طبیعی که توسط انسان مشاهده می‌شود. غالباً، این کاربردهای بالینی چارچوب‌های AI را برای تفسیر کارآمد مجموعه‌های داده پیچیده بزرگ اتخاذ می‌کنند. این سیستم هوش مصنوعی در مورد داده‌های سلامت خارجی که معمولاً توسط انسان تفسیر می‌شوند و قبل از قرار گرفتن در معرض سیستم AI حداقل پردازش شده‌اند.
به عنوان مثال تصاویر بالینی که توسط یک متخصص انسانی برچسب گذاری و تفسیر شده‌اند، آموزش دیده‌اند. سپس سیستم هوش مصنوعی یاد می‌گیرد که وظیفه تفسیر را روی داده‌های جدید سلامت از همان نوع، که در تشخیص بالینی اغلب شناسایی یا پیش بینی وضعیت بیماری است، اجرا کند.
وظایف تفسیر هوش مصنوعی در مهندسی ژنتیک
وظایف تفسیر هوش مصنوعی را می توان در مهندسی ژنتیک در کلاسهای مسئله مانند بینایی رایانه، تجزیه و تحلیل سری زمانی، تشخیص گفتار و پردازش زبان طبیعی گروه بندی کرد. هر یک از این مشکلات به خوبی برای پرداختن به انواع خاصی از کارهای تشخیصی بالینی مناسب است. به عنوان مثال، بینایی رایانه‌ای برای تفسیر تصاویر رادیولوژیکی مفید است، تجزیه و تحلیل سری زمانی برای تجزیه و تحلیل داده‌های بهداشتی جریان مداوم مانند موارد ارائه شده توسط الکتروکاردیوگرام مفید است، می‌توان از روشهای تشخیص گفتار برای تشخیص اختلالات عصبی استفاده کرد و پردازش زبان طبیعی مبتنی بر هوش مصنوعی می‌تواند در استخراج اطلاعات معنی دار از داده‌های پرونده الکترونیکی سلامت (EHR) مفید باشد.
در بعضی از مناطق، ارتباط بین کلاسهای مسئله و وظایف تشخیصی ممکن است آنچنان واضح نباشد. به عنوان مثال، تکنیک‌های بینایی رایانه نیز برای شناسایی عناصر تنظیم کننده عملکردی در ژنوم انسان مفید است، جایی که می‌توان آنها را برای شناسایی نقش تکرار شونده در توالی DNA به روشی مشابه آنچه الگوهای پیکسل در تصاویر توسط کانولوشن تشخیص داده می شود ، استفاده کرد.
الگوریتم های هوش مصنوعی
گروه زیادی از الگوریتم های هوش مصنوعی معروف به یادگیری عمیق ، بسیاری از این مشکلات را برطرف کرده‌اند که می‌توانند با استفاده از معماری‌های شبکه عصبی عمیق ، ویژگی های قابل تفسیر را از مجموعه داده‌های بزرگ و پیچیده بیاموزند. شبکه‌های عصبی سیستم‌های محاسباتی نورون‌های مصنوعی هستند (که “گره” نیز نامیده می‌شوند) که سیگنال‌ها را به یکدیگر منتقل می‌کنند، اغلب در لایه‌های بهم پیوسته. لایه‌هایی که لایه ورودی یا خروجی نیستند، لایه‌های “پنهان” نامیده می‌شوند. یک شبکه عصبی عمیق از بسیاری از لایه‌های پنهان نورون مصنوعی تشکیل شده است.شبکه‌های عصبی غالباً واحد اساسی داده‌هایی را که برای تفسیر آموزش دیده‌اند، به عنوان ورودی در نظر می‌گیرند:
به عنوان مثال
شدت پیکسل در تصاویر. کدهای تشخیصی ، نسخه‌ای و روش در داده های EHR ؛ یا داده های توالی نوکلئوتیدی در کاربردهای ژنومی. به عبارت دیگر ، برخلاف اکثر رویکردهای یادگیری ماشینی ، استخراج و تعریف حداقل ویژگیهای پیش بینی توسط انسان مورد نیاز است. انبوهی از این ویژگیهای ساده در لایه‌های پی در پی شبکه عصبی به طرق مختلف، که توسط معمار شبکه عصبی انسان طراحی شده است ترکیب می‌شوند تا مفاهیم پیچیده تر یا ویژگی های داده‌های سلامت ورودی را نشان دهند.
در نهایت، خروجی شبکه عصبی وظیفه تفسیری است که شبکه برای اجرای آن آموزش دیده است. به عنوان مثال، لایه‌های پی در پی الگوریتم دید رایانه‌ای ممکن است یاد بگیرند که لبه‌ها را در یک تصویر تشخیص دهند، سپس مجموعه‌ای از اشکال باشد که نمایانگر اشیا خاص هستند و غیره.