«`html
Исследование молекулярной эволюции с применением машинного обучения и искусственного интеллекта
Анализ генной экспрессии в природных условиях
Изучение эволюции путем естественного отбора на молекулярном уровне значительно продвинулось с появлением геномных технологий. В недавнем исследовании с участием Ivyleaf Morning Glory (*Ipomoea hederacea*) исследователи использовали секвенирование РНК для анализа экспрессии генов в естественных условиях на поле. Проблема обработки высокоразмерных данных с небольшим объемом выборки, типичных для транскриптомики, была решена с использованием методов машинного обучения. Эти методы, известные своей способностью обрабатывать сложные многомерные данные, показали, что гены, связанные с фотосинтезом, стрессовым ответом и световым реагированием, являются важными для прогнозирования жизнеспособности. Это демонстрирует потенциал моделей машинного обучения для выявления важных биологических процессов и генов, подвергающихся отбору в естественных средах, преодолевая ограничения традиционных статистических подходов.
Прогнозирование использования кодонов при помощи искусственного интеллекта
Для прогнозирования последовательностей кодонов из заданных последовательностей аминокислот в различных организмах, включая дрожжи и бактерии, было проведено исследование. Исследователи использовали передовые модели искусственного интеллекта, в частности, архитектуру на основе трансформера mBART, для выявления сложных зависимостей в использовании кодонов, которые не удается обнаружить простыми методами, основанными на частотах. Их результаты показывают, что ИИ эффективно может изучать и прогнозировать эти паттерны кодонов, особенно в генах с высоким уровнем экспрессии и длинными белками. Этот подход улучшает наше понимание предубежденности кодонов и их влияния на синтез белков, а также предоставляет новый инструмент для оптимизации использования кодонов в биотехнологии и прикладной синтетической биологии.
Рассмотрение методов
Исследование использовало кодирующие последовательности NCBI из S. cerevisiae, S. pombe, E. coli и B. subtilis, разделенные на тренировочные, валидационные и тестовые наборы данных. CD-HIT кластеризовало последовательности аминокислот, обеспечивая, чтобы кластеры оставались в пределах отдельных наборов. BLAST выявлял похожие последовательности, а уровни экспрессии классифицировали белки. Модели прогнозирования кодонов включали методы, основанные на частотах, и модели mBART с различными конфигурациями. Протокол обучения включал предварительное обучение и настройку с определенными гиперпараметрами. В процессе вывода использовались окна фиксированного размера, и прогнозы усреднялись по окнам: метрики точности и перплексии оценивали производительность модели по сравнению с истинными последовательностями кодонов.
Инсайты от применения искусственного интеллекта
Усовершенствованные модели искусственного интеллекта, такие как mBART, использовались для прогнозирования использования кодонов в различных организмах и анализа влияния генной экспрессии на жизнеспособность. Эти модели подчеркивают значительные корреляции между использованием кодонов и экспрессией белков, эволюционным сохранением и функциональными атрибутами. Гены с высоким уровнем экспрессии и сохраненные белки обнаруживают более предсказуемые паттерны кодонов. Кроме того, машинное обучение эффективно определяет паттерны генной экспрессии, связанные с жизнеспособностью, особенно в генах, связанных со стрессовым ответом и развитием репродуктивных органов. Это подчеркивает ценность ИИ в расшифровке сложных биологических последовательностей и расширении нашего понимания эволюционной биологии и регуляции генов.
Источники
«`
Интеграция и использование искусственного интеллекта в вашем бизнесе
Если вы хотите, чтобы ваша компания развивалась с помощью искусственного интеллекта (ИИ) и оставалась в числе лидеров, грамотно используйте AI-Powered Insights into Molecular Evolution: From Codon Usage to Gene Expression in Natural Environments.
Проанализируйте, как ИИ может изменить вашу работу. Определите, где возможно применение автоматизации: найдите моменты, когда ваши клиенты могут извлечь выгоду из AI. Определитесь с ключевыми показателями эффективности (KPI), которые вы хотите улучшить с помощью ИИ.
Подберите подходящее решение, так как сейчас очень много вариантов использования ИИ. Внедряйте ИИ решения постепенно: начните с небольшого проекта, проанализируйте результаты и KPI. На основе полученных данных и опыта расширяйте автоматизацию.
Если вам нужны советы по внедрению ИИ, пишите нам на телеграм-канале.
Попробуйте ИИ ассистент в продажах здесь. Этот ИИ ассистент в продажах помогает отвечать на вопросы клиентов, генерировать контент для отдела продаж и снижать нагрузку на первую линию.
Узнайте, как ИИ может изменить ваши процессы с решениями от Flycode.ru.
«`
