Американские исследователи из Мичигана создали нейросеть, которая анализирует ДНК человека и интерпретирует эти данные в набор фактов. |
||
МЕНЮ Искусственный интеллект Поиск Регистрация на сайте Помощь проекту ТЕМЫ Новости ИИ Искусственный интеллект Разработка ИИГолосовой помощник Городские сумасшедшие ИИ в медицине ИИ проекты Искусственные нейросети Слежка за людьми Угроза ИИ ИИ теория Внедрение ИИКомпьютерные науки Машинное обуч. (Ошибки) Машинное обучение Машинный перевод Реализация ИИ Реализация нейросетей Создание беспилотных авто Трезво про ИИ Философия ИИ Big data Работа разума и сознаниеМодель мозгаРобототехника, БПЛАТрансгуманизмОбработка текстаТеория эволюцииДополненная реальностьЖелезоКиберугрозыНаучный мирИТ индустрияРазработка ПОТеория информацииМатематикаЦифровая экономика
Генетические алгоритмы Капсульные нейросети Основы нейронных сетей Распознавание лиц Распознавание образов Распознавание речи Техническое зрение Чат-боты Авторизация |
2018-10-13 01:55 Американские исследователи из Мичигана создали нейросеть, которая анализирует ДНК человека и интерпретирует эти данные в набор фактов. Обучали её на внушительной выборке, учёные воспользовались генетической информацией 500 тысяч жителей Великобритании. В статье, опубликованной в журнале Genesis, авторы алгоритма сообщают, что новая нейросеть способна предсказать рост человека с точностью до пары сантиметров. Немного хуже точность прогнозов у плотности костей. Эта нейросеть способна даже определить уровень образования — правда, точно она это делает лишь в случае крайних отклонений. Теперь исследователи намерены расширить массив данных для новой нейросети и обучить её прогнозированию генетических заболеваний, рака и диабета. Статья о новом алгоритме доступна по адресу http://www.genetics.org/content/210/2/477, а бонусом — наука глазами журналистов (новость посвящена той же самой нейросети). Мы строим геномные предикторы для наследуемых, но чрезвычайно сложных количественных признаков человека (рост, плотность пяточной кости и уровень образования), используя современные методы в статистике высоких измерений (т. е. машинное обучение). Построенные предикторы объясняют, соответственно, ?40, 20 и 9% общей дисперсии для трех признаков в данных, не используемых для обучения. Например, прогнозируемые высоты коррелируют ?0.65 с фактической высотой; фактические высоты большинства людей в проверочных выборках находятся в пределах нескольких сантиметров от прогноза. Доля дисперсии, объясненная для высоты, сопоставима с оцененной общей наследуемостью SNP из комплексного анализа признаков (GCTA) всего генома и, по-видимому, близка к ее асимптотическому значению (т. е. E., поскольку размер выборки доходит до бесконечности), предполагая, что мы захватили большую часть наследуемости для SNP. Таким образом, наши результаты закрывают разрыв между предсказанием R-квадрата и общей наследуемостью SNP. SN 20k активированные SNP в нашем предсказателе высоты показывают генетическую архитектуру человеческого роста, по крайней мере, для распространенных вариантов. Наш основной набор данных-когорта британского биобанка, состоящая из почти 500 тыс. индивидуальных генотипов с несколькими фенотипами. Мы также используем другие наборы данных и SNP, найденные в более ранних геномных исследованиях ассоциации (GWAS) для вне выборки проверки наших результатов. Источник: www.genetics.org Комментарии: |
|