- Binabago ng artificial intelligence ang pananaliksik sa biyolohiya sa mga larangan tulad ng genomics, protein structuring, at image analysis.
- Ang mga advanced na modelo tulad ng AlphaFold at AlphaGenome, kasama ang bioinformatics at systems biology, ay nagbibigay-daan sa atin na mahulaan ang mga kumplikadong istruktura, tungkulin, at metabolic pathway.
- Ang mga bukas at kolaboratibong inisyatibo (MOC-A, AI4LIFE, BioImage Model Zoo) ay nagbibigay-daan sa demokrasya para sa pag-access sa datos, mga modelo, at mga mapagkukunang pangkomputasyonal.
- Nananatili ang mga pangunahing hamon: ang pangangailangan para sa mas de-kalidad na datos, kakayahang bigyang-kahulugan ang mga modelo, regulasyon, etika, at patas na pag-access sa mga imprastraktura ng AI.
Matagal nang maingat na pinagmamasdan ng pananaliksik sa biyolohiya at artificial intelligence ang isa't isa, ngunit nitong mga nakaraang taon, sila ay naging mahalagang magkatuwang. Ang dating ginagawa lamang gamit ang mga mikroskopyo, pipette, at notebook ay umaasa na ngayon sa mga algorithm na may kakayahang suriin ang milyun-milyong data point, humuhula ng mga istrukturang molekular na imposibleng malutas nang mano-mano, at magmungkahi ng mga bagong eksperimento.
Pinagsasama ng bagong yugtong ito ng agham ang computational biology, data science, mga modelo ng deep learning, at mga bukas na plataporma upang tugunan ang mga problemang kasing-iba-iba ng pinagmulan ng buhay, ang pagsusuri ng mga kumplikadong sakit, precision medicine, at disenyo ng gamot. Ang resulta ay isang paradigm shift: ang biology ay literal na isinusulat sa code.
Mula sa klasikal na bioinformatics hanggang sa malalim na pag-aaral sa biology
Sa loob ng mahabang panahon, ang biyolohiya at AI ay umunlad sa magkaibang bilis: ang biyolohiya ay kumplikado, puno ng mga eksepsiyon at konteksto , habang ang mga tradisyunal na algorithm ay nangangailangan ng malinis, homogenous, at mahusay na istrukturang datos upang gumana nang matatag. Ang tensyong ito ay isa sa mga pangunahing balakid sa malawakang pag-aampon ng AI sa laboratoryo.
Gayunpaman, sa computational biology, hindi na bago ang AI: ang mga pamamaraan ng machine learning ay inilalapat na noong dekada 80 upang uriin ang mga sequence ng protina at DNA , at hindi nagtagal ay nagsimulang gamitin ang mga neural network upang mahulaan ang mga sekundaryang istruktura ng protina. Simula noon, ang mga pamamaraang ito ay naging bahagi ng karaniwang repertoire ng bioinformatics.
Kapag tinatalakay ang AI sa biology, mahalagang makilala ang pagkakaiba sa pagitan ng "klasikal" na mga pamamaraan ng machine learning at mga pamamaraan ng deep learning . Ang pinangangasiwaang at hindi pinangangasiwaang machine learning ay matagumpay na nagamit upang bumuo ng mga classifier (halimbawa, pagkilala sa mga sample na "kanser" / "hindi kanser") o upang pangkatin ang mga gene at sample ayon sa mga pattern ng ekspresyon, na tumutulong sa pagbuo ng mga hypotheses at pagbibigay-priyoridad sa mga target na pang-eksperimento.
Binago ng mga metodolohiya ng deep learning , lalo na ang mga deep neural network , ang mga partikular na larangan kung saan napakalaki ng dami ng datos at ang signal ay lubos na nakabalangkas, tulad ng pagsusuri ng mga imahe ng microscopy o histopathology. Dito, higit na nalalampasan ng AI ang kakayahan ng tao sa pagtukoy ng mga banayad at paulit-ulit na pattern.
Hindi lahat ng larangan ng biyolohiya ay pantay na nakikinabang: ang mga larangan na may milyun-milyong mahusay na nakaimbak na mga sequence, tulad ng mga database ng protina tulad ng UniProtKB , ay nag-aalok ng isang mainam na kapaligiran para sa pagsasanay ng mga makapangyarihang modelo. Sa kabaligtaran, ang mga imbakan ng mga partikular na interaksyon, na mas maliit at mas magkakaiba, ay hindi pa nagpapahintulot sa malalim na pag-aaral na lubos na mapakinabangan ang potensyal nito.
Mga modelo ng wika para sa mga protina at ang impetus para sa istrukturang biology
Isa sa mga pinakakagulat-gulat na pag-unlad ay ang pag-aampon ng mga modelo ng wika, na inspirasyon ng natural na pagproseso ng wika , upang gumana sa mga sequence ng protina. Tulad ng isang modelo ng teksto na natututo ng mga gramatikal at semantikong pattern, ang isang modelo na sinanay sa milyun-milyong sequence ng amino acid ay maaaring makuha ang mga regularidad na sumasalamin sa istruktura, tungkulin, at ebolusyon.
Sa mga kamakailang internasyonal na pagsusuri ng mga pamamaraan ng paghula sa tungkulin ng protina, tulad ng ehersisyo ng CAFA5, ang karamihan sa mga pinakamahusay na modelo ay batay sa ganitong uri ng malalim na representasyon . Ang mga ito ay sinanay sa mga database tulad ng UniProtKB, na puno ng mga sequence, at kayang gawing pangkalahatan ang mga protina na hindi gaanong nailalarawan upang magmungkahi ng mga malamang na tungkulin.
Ang pagsulong na ito ay nakadaragdag sa epekto ng mga modelo tulad ng AlphaFold, na siyang nagdala sa prediksyon ng mga tertiary structure ng protina gamit ang AI sa unahan. Kaya naman kamakailan ay kinilala ng Nobel Prize in Chemistry ang pag-unlad ng mga functional artificial protein at structural prediction algorithm bilang isang pangunahing milestone sa agham.
Gayunpaman, ang mga modelong ito ay nagdudulot din ng mga hamon: ang mga ito ay tunay na "mga itim na kahon" na mahirap bigyang-kahulugan . Ito ay humantong sa paglitaw ng isang buong subfield, ang maipapaliwanag na artificial intelligence (XAI), na naglalayong lutasin ang mga partikular na pattern na ginagamit ng modelo at kung bakit ito gumagawa ng ilang mga desisyon—isang bagay na kritikal kapag nagtatrabaho gamit ang biomedical data.
Higit pa sa mga istruktura, ang aplikasyon ng mga modelo ng wika ng protina upang i-annotate ang mga hindi kilalang tungkulin ng gene ay nagiging isang mahalagang kasangkapan upang samantalahin ang milyun-milyong mga sequence na kasalukuyang kulang sa eksperimental na paglalarawan.
AI upang muling buuin ang pinagmulan ng buhay at sinaunang metabolismo
Ang pagsasama ng computational biology at AI ay hindi lamang nagsisilbing paglingon sa hinaharap, kundi pati na rin upang i-rewind ang evolutionary clock at tuklasin ang malayong nakaraan ng buhay . Ang isang kapansin-pansing halimbawa ay ang gawain ng Institute for Integrative Systems Biology (I2SysBio), kung saan ang tinatawag na " generative metabolism " na estratehiya ay ginamit upang masubaybayan pabalik mula sa huling universal common ancestor (LUCA) hanggang sa pinakamaagang yugto ng buhay.
Ang comparative genetics ay nagbibigay-daan sa atin na tantyahin kung gaano katanda ang mga karaniwang ninuno sa pagitan ng mga species : mas magkatulad ang mga genome, mas bago ang kanilang huling karaniwang ninuno; mas magkakaiba sila, mas nauuwi tayo sa nakaraan. Dahil sa napakalaking akumulasyon ng mga sequenced genome, ang konsepto ng LUCA—ang ninunong organismo na pinagmulan ng lahat ng nabubuhay na bagay ngayon—ay pinino at ngayon ay nasa humigit-kumulang 4.200 bilyong taon na ang nakalilipas.
Ang pangunahing hamon, hanggang ngayon, ay ang pag-uugnay ng prebiotic chemistry ng sinaunang Daigdig sa mga organisadong metabolismo na ng LUCA . Hindi nagawang tulayin ng mga pamamaraang bottom-up (mula sa simpleng kimika hanggang sa biology) o top-down (mula sa mga organismo ngayon pabalik) ang agwat na iyon.
Ang pamamaraang generative metabolism ay gumagamit ng mga algorithm na bumubuo ng mga metabolic network mula sa mga hanay ng mga panuntunan sa reaksyon . Sa pagbabaliktad, hinuhulaan nito kung aling mga ancestral gene at enzyme ang maaaring taglay ng LUCA at kung aling mga reaksyon ang posible sa isang partikular na primitive na kapaligiran, na nagpapalawak sa metabolic space na lampas sa mga pathway na kilala ngayon.
Sa ganitong paraan, ang AI ay gumaganap bilang isang uri ng "molecular detective" na may kakayahang muling buuin ang mga hipotetikal na metabolic pathway , na nag-uugnay sa mga kasalukuyang reaksyon sa mga posibleng hanay ng mga prebiotic na reaksyon. Ang pamamaraang ito, na malawakang ginagamit sa synthetic biology at metabolic engineering, ay muling ginamit dito upang tugunan ang isa sa mga dakilang palaisipan: kung paano lumitaw ang kumplikadong metabolismo mula sa simple at hindi organisadong kimika.
Ang agham ng datos ay inilapat sa biyolohiya: mula sa wet lab hanggang sa keyboard
Ang modernong pananaliksik sa biyolohiya ay naging lubhang digital. Sa kasalukuyan, ang isang biologist na gustong maging nangunguna ay kailangang pamahalaan ang buong genome, mga imaheng may mataas na resolusyon, at klinikal at pangkapaligiran na datos , na lahat ay isinama sa lalong masalimuot na mga analytical pipeline.
Sa kontekstong ito, ang agham ng datos na inilalapat sa biyolohiya ay naging isang kritikal na profile. Ang isang mananaliksik na may kakayahang pagsamahin ang biyolohiya, programming, at estadistika ay maaaring higit pa sa pagbibigay-kahulugan sa mga resulta: nagdidisenyo sila ng mga eksperimentong batay sa datos, bumubuo ng mga predictive model, at malapit na nakikipagtulungan sa mga inhinyero at siyentipiko sa computer.
Sa genomics, ang mga teknolohiyang next-generation sequencing (NGS) ay nakakabuo ng bilyun-bilyong reads bawat eksperimento, na imposibleng pamahalaan nang walang matatag na machine learning, statistical, at distributed computing techniques . Ang mga tool na ito ay nagbibigay-daan para sa pag-assemble ng mga genome, pagtukoy ng mga variant na nauugnay sa sakit, at pagsusuri ng mga gene expression profile (RNA-seq) upang matuklasan kung aling mga gene ang na-activate o na-silent sa ilalim ng iba't ibang mga kondisyon.
Ang systems biology, sa bahagi nito, ay umaasa sa agham ng datos upang muling buuin ang mga network ng regulasyon ng gene, mga interaksyon ng protina-protina, at mga metabolic pathway . Ang layunin ay hindi na pag-aralan ang isang nakahiwalay na gene, kundi upang maunawaan ang selula bilang isang kumplikadong network, hanapin ang mga pangunahing "node," at gayahin kung paano magbabago ang sistema kung ang mga node na ito ay manipulahin.
Ang isa pang umuusbong na larangan ay ang pag-aaral ng microbiome at metagenomics . Dito, nakakatulong ang AI sa pag-uuri ng libu-libong uri ng microbial sa iisang sample, pag-uugnay ng mga komposisyon ng microbial sa diyeta, mga sakit, o mga paggamot, at pagmomodelo ng mga ekolohikal na interaksyon sa pagitan ng mga microbe at ng kanilang kapaligiran. Kung wala ang mga kagamitang ito, ang microbiome ay magiging isang walang katapusang listahan lamang ng mga pangalan; gamit ang AI, ito ay nagiging isang minahan ng ginto ng mga biomarker at mga bagong therapeutic target.
Malalim na pagkatuto para sa biological imaging at kalusugan ng matris
Ang modernong mikroskopyo ay lumilikha ng lalong masalimuot na mga three-dimensional at temporal na mga imahe . Ang pagsusuri sa lahat ng mga kuha na ito sa pamamagitan ng kamay ay hindi praktikal, kaya naman ang computer vision at deep learning ay naging mahahalagang kagamitan sa cell biology at medisina.
Ang mga kasalukuyang algorithm ay kayang bilangin at uriin ang mga selula, hatiin ang mga istruktura, tuklasin ang mga tumor sa mga digital biopsy, at subaybayan ang paggalaw ng selula nang real time. Hindi lamang ito nakakatipid ng oras ng mga kawani sa laboratoryo kundi nagdudulot din ito ng pagiging obhetibo at reproducibility sa mga pagsusuri.
Sa larangan ng kalusugan ng matris, ang kombinasyon ng systems biology at artificial intelligence ay nagbabago sa kung paano natin nauunawaan ang mga patolohiya tulad ng endometriosis, Asherman's syndrome, at ilang uri ng kawalan ng katabaan. Sa halip na tumingin lamang sa isang marker o isang nakahiwalay na imahe, ang genomic, proteomic, histological, at clinical data ay isinasama upang bumuo ng mga modelo na naglalarawan sa matris bilang isang dynamic na sistema.
Dahil sa mga modelong ito, maaaring mabuo ang mga isinapersonal na kagamitan sa medisina upang ma-optimize ang mga paggamot sa pertilidad , ayusin ang mga protocol ng hormonal batay sa inaasahang tugon ng bawat pasyente, at matukoy ang mga maagang biomarker ng dysfunction ng matris. Ang mga institusyon tulad ng Carlos Simón Foundation ay mahusay na nagtatrabaho sa ganitong uri ng mga integratibong pamamaraan.
Mga bukas na proyekto at mga collaborative AI ecosystem sa life sciences
Ang epektibong pag-deploy ng AI sa biology ay nakasalalay hindi lamang sa pagkakaroon ng magagandang modelo, kundi pati na rin sa pagbuo ng mga bukas na ecosystem kung saan maa-access ang data, mga tool, at mga mapagkukunang pangkomputasyonal . Dito, ang libreng software, akademikong cloud computing, at mga pampublikong-pribadong pakikipagsosyo ay gumaganap ng isang pangunahing papel.
Isang halimbawa ay ang kolaborasyon sa pagitan ng Red Hat Research at ng Mass Open Cloud Alliance (MOC-A) , na nagtataguyod ng isang open cloud kung saan ang mga unibersidad, pampublikong sentro, at mga kumpanya ay nagbabahagi ng imprastraktura: CPU, GPU, storage, malalaking database, mga tool, at mga modelo ng AI na naka-host sa isang carbon-neutral data center.
Batay dito, halimbawa, isang plataporma na may Red Hat OpenShift AI ang ipinatupad para sa eksperimento sa pagtuklas ng gamot , na ginagamit sa mga forum kung saan maaaring sanayin at subukan ng mga mananaliksik ang mga open source na modelo, palakihin ang mga mapagkukunan ayon sa kanilang mga pangangailangan at patuloy na ma-access ang kanilang trabaho pagkatapos ng mga kaganapan.
Ang pagiging madaling ma-access ay mahalaga: maraming akademikong grupo at mga rehiyonal na ospital ang kulang sa sapat na lokal na imprastraktura para sa malawakang workload ng AI . Ang mga ibinahaging platform tulad ng MOC-A ay nagde-demokratiko sa pag-access sa mga mapagkukunan na kung hindi man ay nakalaan para sa malalaking kumpanya ng parmasyutiko o mga nangungunang sentro ng pananaliksik.
Kasama ng accessibility, ang transparency at ang kakayahang mag-audit at mag-adapt ng mga modelo ay mahalaga sa biomedicine. Ang open source ay nagbibigay-daan para sa pagsusuri ng code, pagsasaayos ng mga modelo sa mga lokal na konteksto, at paglikha ng mga solusyon na iniayon sa mga partikular na workflow—isang bagay na mahirap makamit gamit ang mga sarado at proprietaryong tool.
AI4LIFE, FAIR data at mga modelo ng imahe na handa na para sa AI
Sa Europa, ang mga proyektong tulad ng AI4LIFE ay nakatuon sa paggawa ng AI na naa-access sa mga biologist na walang advanced na karanasan sa programming . Ang kanilang layunin ay tulayin ang agwat sa pagitan ng kapangyarihan ng mga diskarte sa deep learning at ang pang-araw-araw na realidad ng mga laboratoryo ng life sciences.
Ang AI4LIFE ay bumubuo ng mga madaling gamiting plataporma para sa biological image analysis gamit ang AI : cell segmentation, structure detection, feature extraction… Lahat ay nakabalangkas sa loob ng prinsipyo ng FAIR para sa data (locatable, accessible, interoperable at reusable), inangkop sa mga set ng imahe at modelo na "handa na para sa AI".
Itinataguyod ng proyekto ang mga pamantayan para sa paglalagay ng anotasyon at pagdodokumento ng mga dataset ng imahe upang madali itong magamit muli upang sanayin ang mga bagong modelo o mapabuti ang mga umiiral na. Binabawasan nito ang pangangailangang paulit-ulit na iproseso ang data, nakakatipid ng oras sa pagkalkula, at nagtataguyod ng kolaborasyon sa pagitan ng mga grupo.
Isang pundasyon ng AI4LIFE ang BioImage Model Zoo, isang imbakan ng komunidad ng mga modelo para sa pagsusuri ng biyolohikal na imahe . Doon, maaaring mag-download ang mga siyentipiko ng mga sinanay na modelo, ilapat ang mga ito gamit ang mga sikat na tool sa pagsusuri, at mag-ambag ng sarili nilang mga modelo, na lumilikha ng isang buhay at patuloy na nagpapabuting ecosystem.
Bukod pa rito, ang proyekto ay nag-oorganisa ng mga inisyatibo tulad ng Open Calls upang suportahan ang mga partikular na kaso ng paggamit at mga kompetisyong "Denoising Challenge", kung saan ang mga pamamaraan para sa pagpapabuti ng kalidad ng mga imahe ng mikroskopya ay binubuo at inihahambing. Ang pakikipagtulungang pamamaraang ito ay nagpapabilis ng inobasyon, nagpapataas ng kakayahang makita ang mga bagong kagamitan, at nagpapadali sa kanilang paggamit.
Pagtuklas ng mga bagong antibiotic at makatwirang disenyo ng gamot
Ang parehong lohika ng pagsasama-sama ng mga sequence, mga modelo ng wika, at wet experimentation ay naaangkop sa isang kritikal na problema: ang resistensya sa antibiotic. Ang mga laboratoryo tulad ng Machine Biology Group, na pinamumunuan ni César de la Fuente, ay nagsasaliksik sa paggamit ng AI upang mahanap at magdisenyo ng mga bagong antimicrobial molecule.
Ang kanilang estratehiya ay kinabibilangan ng paggamit ng deep learning upang suriin ang milyun-milyong protina at peptide , mula sa parehong kasalukuyang mga organismo at mga extinct species, sa isang pamamaraan na tinatawag na "molecular de-extinction": pagsagip sa mga molekula mula sa nakaraan na may potensyal na antimicrobial at pag-optimize sa mga ito sa pamamagitan ng synthetic biology.
Bahagi ng gawaing ito ay inspirasyon ng mga natural na mapagkukunan tulad ng mga antimicrobial peptide mula sa balat ng amphibian , na binabago at pinahusay gamit ang AI upang mapakinabangan ang kanilang bisa laban sa mga bacteria na lumalaban sa sakit at mabawasan ang toxicity at mga hindi gustong epekto sa microbiota ng tao.
Hindi lamang hinuhulaan ng mga modelo ng machine learning kung aling mga sequence ang maaaring kumilos bilang antibiotic, kundi nakakatulong din ito sa pag-aayos ng stability, solubility, selectivity, at iba pang mahahalagang parameter bago lumipat sa eksperimento sa laboratoryo. Malaki ang naitutulong nito upang paikliin ang oras mula sa paunang ideya hanggang sa mga preclinical candidate.
Sa pag-asang maging mga karera sa pananaliksik, ang mga profile na dalubhasa sa biology, programming, at mga pamamaraan ng AI ang nangunguna sa bagong paradigma ng pagtuklas ng gamot na tinutulungan ng algorithm.
AI at mga stem cell: reprogramming, mga therapy at mga hamon
Ang isa pang mabilis na umuunlad na larangan ay ang interseksyon ng artificial intelligence at stem cell biology . Dito, ang pokus ay hindi lamang sa pagsusuri ng datos, kundi pati na rin sa pagdidisenyo ng mas mahusay at mas ligtas na mga proseso ng cellular para sa mga klinikal na aplikasyon.
Isa sa mga pinakapinag-uusapang pagsulong ay ang kolaborasyon sa pagitan ng OpenAI at Retro Biosciences , na humantong sa mga pagpapabuti sa kilalang mga Yamanaka factor, na responsable sa pag-convert ng mga adult cell tungo sa induced pluripotent stem cells (iPSC). Gamit ang mga modelo ng AI na dalubhasa sa biology, natukoy ang mga variant na may mas malaking kapasidad sa reprogramming.
Ang mga resulta ay tumutukoy sa cell reprogramming na hanggang 50 beses na mas mahusay , na may pinahusay na pagkukumpuni ng DNA at mas matibay na pagpapabata ng selula. Nagbibigay-daan ito para sa mas mabisa at mas ligtas na mga regenerative therapies, na binabawasan ang panganib ng mga mutasyon o hindi kanais-nais na pag-uugali sa mga reprogrammed na selula.
Samantala, ang mga grupo sa Japan, sa pakikipagtulungan ng mga kumpanyang tulad ng Google, ay nagsusumikap na i-automate ang produksyon ng iPS cell gamit ang AI . Ang layunin ay gawing pamantayan at i-optimize ang bawat hakbang ng proseso, na binabawasan ang mga gastos at pagkakaiba-iba upang ang mga cell therapy ay maging praktikal sa malawakang saklaw.
Ginagamit din ang AI upang suriin ang mga kumplikadong datos mula sa mga sistemang biyolohikal (mga pamamaraang uri ng SysBioAI) , tuklasin ang mga panganib sa mga maagang yugto, i-personalize ang mga therapy batay sa molekular na profile ng bawat pasyente, at isaayos ang mga paggamot sa totoong oras ayon sa naobserbahang tugon.
Ang mga potensyal na aplikasyon ay mula sa pagpapabilis ng mga klinikal na pagsubok at pagbabawas ng mga gastos hanggang sa isinapersonal na regenerative medicine, cellular rejuvenation, at pagsasama ng AI sa lahat ng yugto ng biomedical pipeline. Siyempre, may kaakibat itong mga seryosong hamon: heterogeneity ng cellular, mga panganib sa kaligtasan , regulasyon, etika, at ang patuloy na pangangailangan para sa mataas na kalidad na data.
Samantala, ang mga regulasyon tulad ng Artificial Intelligence Act ng European Union ay naglalayong tiyakin na ang mga pagsulong na ito ay ipinapatupad sa ilalim ng mga balangkas ng transparency, pangangasiwa ng tao, at mga garantiya sa seguridad, lalo na sa mga aplikasyong medikal na may mataas na panganib.
Ang AlphaGenome at ang "dark matter" ng genome ng tao
Kung binago ng AlphaFold ang paraan ng pag-unawa natin sa protein folding, nilalayon ngayon ng AlphaGenome na isalin ang DNA code sa functional information , na may espesyal na interes sa 98% ng genome na hindi nagko-code para sa mga protina ngunit nagko-concentrate ng karamihan sa mga variant na may kaugnayan sa mga kumplikadong sakit.
Binuo ng pangkat ng Google DeepMind, ang AlphaGenome ay isang modelo ng AI na nakabatay sa deep learning na sinanay sa mga genome ng tao at daga , na may kakayahang suriin ang mahahabang bahagi ng DNA at hulaan ang libu-libong genetic signal na may kaugnayan sa regulasyon ng mga gene at protina.
Sa mga standardized na pagtatasa, ang mga hula nito ay tumutugma o nalalampasan ang iba pang nangungunang mga modelo sa halos lahat ng mga pagsubok, na nagtutulak sa maraming eksperto na ituring ito bilang isang mahalagang sandali sa computational genomics . Ang kakayahang bigyang-kahulugan ang mga rehiyon na hindi coding ay ginagawa itong isang mahalagang kasangkapan para sa pag-unawa sa "dark matter" ng genome.
Napakalaki ng mga praktikal na implikasyon: Maaaring mapabuti ng AlphaGenome ang interpretasyon ng mga genetic test, matukoy ang mga bihirang variant na sangkot sa mga pathology , gabayan ang pagbuo ng mga bagong paggamot, at gayahin kung paano binabago ng mga mutasyon sa mga regulatory region ang ekspresyon ng gene.
Binibigyang-diin ng mga mananaliksik mula sa mga sentro tulad ng CNB-CSIC, Francis Crick Institute o Wellcome Sanger na, bagama't hindi ito isang mahiwagang wand na lumulutas sa lahat ng problema , ito ay isang natatanging piraso ng inhinyeriya na nagsasama ng maraming nakaraang ideya at dinadala ang mga ito sa mas mataas na antas ng pagganap.
Gayunpaman, binibigyang-diin din nila ang isang mahalagang punto: ang mga modelong ito ay kritikal na nakasalalay sa kalidad, pagkakaiba-iba, at istandardisasyon ng datos ng pagsasanay . Ang pangunahing hamon para sa hinaharap ay ang pagbuo at pagbabahagi ng matatag, bukas, at mahusay na dokumentadong datos na biyolohikal upang pakainin ang susunod na henerasyon ng genomic AI.
Dahil sa ganitong sitwasyon, ang pananaliksik sa biyolohiya na sinusuportahan ng artificial intelligence ay umuusbong bilang isang patuloy na lumalawak na larangan, kung saan ang kombinasyon ng malalaking dataset, mga advanced na modelo, bukas na imprastraktura, at interdisiplinaryong kolaborasyon ay muling nagbibigay-kahulugan kung paano binubuo ang mga siyentipikong tanong at kung paano hinahanap ang mga sagot, mula sa pinagmulan ng buhay hanggang sa mga pinaka-personalized na therapy sa kasalukuyang medisina.
