Menininko pateiktas biocheminis modelis, įkvėptas interpretuojamo neuroninio tinklo. Kreditas: Elizabeth Speiser Niujorko universiteto kompiuterių mokslininkų komanda sukūrė neuroninį tinklą, kuris gali paaiškinti, kaip jis pasiekia savo prognozes. Darbas atskleidžia, kas lemia neuroninių tinklų – dirbtinį intelektą ir mašininį mokymąsi skatinančių variklių – funkcionalumą, taip nušviečiant procesą, kuris dažniausiai buvo slepiamas nuo vartotojų.
Proveržis sutelktas į specifinį neuroninių tinklų naudojimą, kuris išpopuliarėjo pastaraisiais metais – sprendžiant sudėtingus biologinius klausimus. Tarp jų yra RNR sujungimo sudėtingumo – tyrimo židinio taško – tyrimai, kurie atlieka svarbų vaidmenį perduodant informaciją iš DNR į funkcinius RNR ir baltymų produktus.
„Daugelis neuroninių tinklų yra juodosios dėžės – šie algoritmai negali paaiškinti, kaip jie veikia, kelia susirūpinimą dėl jų patikimumo ir slopina pažangą siekiant suprasti pagrindinius biologinius genomo kodavimo procesus“, – sako Niujorko universiteto Matematikos mokslų instituto „Courant Institute“ kompiuterių mokslų profesorius Odedas Regevas. ir vyresnysis straipsnio, kuris buvo paskelbtas, autorius Nacionalinės mokslų akademijos darbai.
„Panaudodami naują metodą, kuris pagerina mašininio mokymosi duomenų kiekį ir kokybę, sukūrėme interpretuojamą neuroninį tinklą, kuris gali tiksliai numatyti sudėtingus rezultatus ir paaiškinti, kaip jis pasiekia savo prognozes.
Regevas ir kiti straipsnio autoriai Susan Liao, Courant instituto dėstytoja, ir Mukund Sudarshan, Courant doktorantas tyrimo metu, sukūrė neuroninį tinklą, pagrįstą tuo, kas jau žinoma apie RNR sujungimą.
Konkrečiai, jie sukūrė modelį – duomenimis pagrįstą didelės galios mikroskopo atitikmenį, leidžiantį mokslininkams atsekti ir kiekybiškai įvertinti RNR sujungimo procesą nuo įvesties sekos iki išvesties sujungimo prognozavimo.
„Naudodami „interpretuojamą pagal dizainą“ metodą, sukūrėme neuroninio tinklo modelį, kuris suteikia įžvalgų apie RNR sujungimą – pagrindinį genominės informacijos perdavimo procesą“, – pažymi Regevas. „Mūsų modelis atskleidė, kad maža, į plaukų segtuką panaši struktūra RNR gali sumažinti sujungimą.
Tyrėjai patvirtino jų modelio pateiktas įžvalgas atlikdami daugybę eksperimentų. Šie rezultatai parodė atitikimą modelio atradimui: kai RNR molekulė susilankstė į plaukų segtuko konfigūraciją, sujungimas buvo sustabdytas, o tą akimirką, kai tyrėjai suardė šią plaukų segtuko struktūrą, sujungimas buvo atkurtas.
Daugiau informacijos: Susan E. Liao ir kt., RNR sujungimo logikos iššifravimas naudojant interpretuojamą mašininį mokymąsi, Nacionalinės mokslų akademijos darbai (2023). DOI: 10.1073/pnas.2221165120
Citata: Tyrėjai sukuria neuroninį genomikos tinklą, kuriame paaiškinama, kaip jis pasiekia tikslias prognozes (2023 m. spalio 6 d.), gautas 2023 m. spalio 8 d. iš https://techxplore.com/news/2023-10-neural-network-genomics-accurate.html
Šis dokumentas yra saugomas autorių teisių. Išskyrus bet kokius sąžiningus sandorius privačių studijų ar mokslinių tyrimų tikslais, jokia dalis negali būti atkuriama be raštiško leidimo. Turinys pateikiamas tik informaciniais tikslais.
