{"id":2986,"date":"2019-03-15T14:59:00","date_gmt":"2019-03-15T14:59:00","guid":{"rendered":"https:\/\/blog.kolabtree.com\/?p=2986"},"modified":"2023-02-15T11:47:02","modified_gmt":"2023-02-15T11:47:02","slug":"applications-of-machine-learning-in-biology","status":"publish","type":"post","link":"https:\/\/www.kolabtree.com\/blog\/de\/applications-of-machine-learning-in-biology\/","title":{"rendered":"Die Anwendungen des maschinellen Lernens in der Biologie"},"content":{"rendered":"<div id=\"ez-toc-container\" class=\"ez-toc-v2_0_45_1 counter-flat ez-toc-counter ez-toc-grey ez-toc-container-direction\">\n<div class=\"ez-toc-title-container\">\n<p class=\"ez-toc-title\">Das Inhaltsverzeichnis<\/p>\n<span class=\"ez-toc-title-toggle\"><a href=\"#\" class=\"ez-toc-pull-right ez-toc-btn ez-toc-btn-xs ez-toc-btn-default ez-toc-toggle\" area-label=\"ez-toc-toggle-icon-1\"><label for=\"item-69f19e19aaf7d\" aria-label=\"Table of Content\"><span style=\"display: flex;align-items: center;width: 35px;height: 30px;justify-content: center;direction:ltr;\"><svg style=\"fill: #999;color:#999\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\" class=\"list-377408\" width=\"20px\" height=\"20px\" viewbox=\"0 0 24 24\" fill=\"none\"><path d=\"M6 6H4v2h2V6zm14 0H8v2h12V6zM4 11h2v2H4v-2zm16 0H8v2h12v-2zM4 16h2v2H4v-2zm16 0H8v2h12v-2z\" fill=\"currentColor\"><\/path><\/svg><svg style=\"fill: #999;color:#999\" class=\"arrow-unsorted-368013\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\" width=\"10px\" height=\"10px\" viewbox=\"0 0 24 24\" version=\"1.2\" baseprofile=\"tiny\"><path d=\"M18.2 9.3l-6.2-6.3-6.2 6.3c-.2.2-.3.4-.3.7s.1.5.3.7c.2.2.4.3.7.3h11c.3 0 .5-.1.7-.3.2-.2.3-.5.3-.7s-.1-.5-.3-.7zM5.8 14.7l6.2 6.3 6.2-6.3c.2-.2.3-.5.3-.7s-.1-.5-.3-.7c-.2-.2-.4-.3-.7-.3h-11c-.3 0-.5.1-.7.3-.2.2-.3.5-.3.7s.1.5.3.7z\"\/><\/svg><\/span><\/label><input  type=\"checkbox\" id=\"item-69f19e19aaf7d\"><\/a><\/span><\/div>\n<nav><ul class='ez-toc-list ez-toc-list-level-1' ><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-1\" href=\"https:\/\/www.kolabtree.com\/blog\/de\/applications-of-machine-learning-in-biology\/#What_is_machine_learning\" title=\"Was ist maschinelles Lernen?\">Was ist maschinelles Lernen?<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-2\" href=\"https:\/\/www.kolabtree.com\/blog\/de\/applications-of-machine-learning-in-biology\/#Applications_of_Machine_Learning_in_Biology\" title=\"Anwendungen des maschinellen Lernens in der Biologie\">Anwendungen des maschinellen Lernens in der Biologie<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-3\" href=\"https:\/\/www.kolabtree.com\/blog\/de\/applications-of-machine-learning-in-biology\/#Machine_Learning_Tools_used_in_Biology\" title=\"Werkzeuge f\u00fcr maschinelles Lernen in der Biologie\">Werkzeuge f\u00fcr maschinelles Lernen in der Biologie<\/a><\/li><\/ul><\/nav><\/div>\n<p><strong>Maschinelles Lernen findet in verschiedenen Bereichen Anwendung, vom Gesundheitswesen bis zur Verarbeitung nat\u00fcrlicher Sprache. Dr. Ragothanam Yennamalli, ein Computerbiologe und freier Mitarbeiter von Kolabtree, untersucht die Anwendungen von KI und <a href=\"https:\/\/www.kolabtree.com\/find-an-expert\/subject\/machine-learning?utm_source=Blog&amp;utm_medium=Post&amp;campaign=MLBiology\">maschinelles Lernen<\/a> in der Biologie.\u00a0<\/strong><\/p>\n<p>Machine Learning and <a href=\"https:\/\/www.kolabtree.com\/blog\/de\/ensuring-reproducibility-in-ai-driven-research-how-freelance-experts-can-help-in-biotech-and-healthcare\/\">K\u00fcnstliche Intelligenz<\/a> &#8212; these technologies have stormed the world and have changed the way we work and live. Advances in these areas have led to many either praising it or decrying it. However, for a computational person like me, they are not new words. AI and ML, as they&#8217;re popularly called, have several applications and benefits across a wide range of industries. Most notably, they are revolutionizing the way biological research is performed, leading to new innovations across <a href=\"https:\/\/blog.kolabtree.com\/5-real-world-examples-of-ai-in-healthcare\/\">Gesundheitswesen<\/a> und Biotechnologie.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"What_is_machine_learning\"><\/span>Was ist maschinelles Lernen?<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p><a href=\"https:\/\/blog.kolabtree.com\/understanding-scope-of-machine-learning-and-its-applications\/\">Maschinelles Lernen<\/a> und Statistik sind eng miteinander verbunden. Der Grund daf\u00fcr ist, dass die Methoden, die in den meisten Ans\u00e4tzen des maschinellen Lernens verwendet werden, ihren Ursprung in der Statistik haben, beispielsweise in der Regressionsanalyse. <strong>Es gibt zwar viele Anwendungen f\u00fcr Methoden des maschinellen Lernens, aber in den letzten 30 Jahren wurden sie vor allem in der Genvorhersage, der funktionellen Annotation, der Systembiologie, der Analyse von Microarray-Daten, der Analyse von Signalwegen usw. auf biologische Daten angewendet.<\/strong><\/p>\n<p>Eine Maschine versucht, in einem gegebenen Datensatz Muster zu erkennen, anhand derer sie versucht, ein \u00e4hnliches Muster in einem anderen Datensatz zu identifizieren. Die Prozesse des maschinellen Lernens sind denen der pr\u00e4diktiven Modellierung und des Data Mining sehr \u00e4hnlich. Sie durchsuchen Daten, um Muster zu erkennen und die Aktionen des Programms entsprechend zu \u00e4ndern.<\/p>\n<p><img decoding=\"async\" loading=\"lazy\" class=\"alignnone wp-image-5409\" src=\"https:\/\/blog.kolabtree.com\/wp-content\/uploads\/2019\/03\/online-2900303_640.jpg\" alt=\"\" width=\"350\" height=\"233\" srcset=\"https:\/\/www.kolabtree.com\/blog\/wp-content\/uploads\/2019\/03\/online-2900303_640.jpg 640w, https:\/\/www.kolabtree.com\/blog\/wp-content\/uploads\/2019\/03\/online-2900303_640-300x200.jpg 300w, https:\/\/www.kolabtree.com\/blog\/wp-content\/uploads\/2019\/03\/online-2900303_640-300x200@2x.jpg 600w\" sizes=\"(max-width: 350px) 100vw, 350px\" \/><\/p>\n<p>Wir sind uns des maschinellen Lernens und der k\u00fcnstlichen Intelligenz durch Online-Einkaufstools bewusst, da einige Empfehlungen in Bezug auf unseren Einkauf vorgeschlagen werden. Dies geschieht, weil die Empfehlungsmaschinen mit maschinellem Lernen arbeiten. Maschinelles Lernen hat auch andere Anwendungen wie Spam-Filterung, Erkennung von Sicherheitsbedrohungen, Betrugserkennung und Personalisierung von Newsfeeds.<\/p>\n<p>Das maschinelle Lernen wird im Wesentlichen in drei Kategorien eingeteilt: \u00fcberwachtes Lernen, unbeaufsichtigtes Lernen und Verst\u00e4rkungslernen.<\/p>\n<p><strong>\u00dcberwachtes Lernen: <\/strong>\u00dcberwachte Algorithmen f\u00fcr maschinelles Lernen ben\u00f6tigen externe Unterst\u00fctzung. Die externe Unterst\u00fctzung erfolgt in der Regel durch einen menschlichen Experten, der kuratierte Eingaben f\u00fcr die gew\u00fcnschte Ausgabe liefert, um die Genauigkeit beim Algorithmus-Training vorherzusagen. Der Experte oder Datenwissenschaftler bestimmt die Merkmale oder Muster, die das Modell verwenden soll. Sobald das Training abgeschlossen ist, kann der Algorithmus zum Testen weiterer Daten f\u00fcr die Vorhersage und Klassifizierung eingesetzt werden. Es handelt sich um eine \u00fcberwachte Methode, da der Algorithmus aus dem Trainingsdatensatz lernt, \u00e4hnlich wie ein Lehrer, der den Lernprozess eines Sch\u00fclers \u00fcberwacht.<\/p>\n<p>Das \u00fcberwachte Lernen wird in zwei Kategorien unterteilt: Klassifizierung und Regression. Bei der Klassifizierung wird die Ausgangsvariable in Klassen wie \"rot\" oder \"gr\u00fcn\" oder \"krank\" oder \"nicht krank\" eingeteilt. Bei der Regression ist die Ausgangsvariable ein realer Wert wie z. B. \"Dollar\" oder \"Gewicht\".<\/p>\n<p>Bei \u00fcberwachten Klassifizierern wird also eine Trainingsmenge bereitgestellt, um die Maschine zu trainieren, und sie wird mit einer Testmenge bewertet. Bei diesen Klassifizierern kommt es vor allem darauf an, wie man eine Trainingsmenge zusammenstellt. In den meisten F\u00e4llen entscheidet eine qualitativ hochwertige Trainingsmenge \u00fcber Erfolg oder Misserfolg des maschinellen Lernens. Man sollte auch die negativen Daten ber\u00fccksichtigen, die als Teil des Trainingssatzes bereitgestellt werden. Manchmal ist es schwierig, einen guten negativen Datensatz zu finden.<\/p>\n<p><em>Wenn ich beispielsweise eine Maschine entwickeln\/trainieren m\u00f6chte, die vorhersagt, ob zwei Proteine interagieren (Protein-Protein-Interaktionen oder PPI) oder nicht, ben\u00f6tige ich einen positiven Satz von Proteinsequenzen\/strukturen, die nachweislich physisch interagieren (z. B. R\u00f6ntgenkristallographie, NMR-Daten), und einen negativen Satz von Proteinsequenzen\/strukturen, von denen bekannt ist, dass sie ohne Interaktion mit einem Partner funktionieren. In diesem Fall ist die Negativmenge im Vergleich zur Positivmenge relativ gro\u00df, da die Daten bekannter PPI im Vergleich zum Proteom eines Organismus deutlich geringer sind. Daher sind kritisch analysierte Daten erforderlich, und das braucht Zeit.<\/em><\/p>\n<p><strong>Un\u00fcberwachtes Lernen:<\/strong> Bei un\u00fcberwachten Lernalgorithmen ist keine externe Unterst\u00fctzung erforderlich. Das Computerprogramm sucht automatisch nach den Merkmalen oder Mustern in den Daten und gruppiert sie in Clustern. Wenn wir neue Daten f\u00fcr die Vorhersage eingeben, verwendet es die zuvor erlernten Merkmale, um die Daten zu klassifizieren. Diese Methode ist im Zeitalter von Big Data sehr n\u00fctzlich, da sie eine gro\u00dfe Menge an Trainingsdaten erfordert. Sie wird als un\u00fcberwachtes Lernen bezeichnet, weil kein Lehrer oder keine \u00dcberwachung beteiligt ist.<\/p>\n<p>Das un\u00fcberwachte Lernen wird in drei Klassen unterteilt: Clustering, hierarchisches Clustering und Gau\u00dfsches Mischungsmodell. Bei der Clustering-Methode findet man die Beziehung zwischen \u00e4hnlichen Daten heraus und gruppiert sie in Clustern. Beim hierarchischen Clustering werden die Daten auf der Grundlage von kleinen Clustern durch eine \u00c4hnlichkeitsmessung gruppiert. Dann werden auf der Grundlage einiger \u00e4hnlicher Parameter erneut Sub-Cluster gruppiert. Beim Gau\u00df'schen Mischungsmodell stellt jede Mischungskomponente einen eigenen Cluster dar.<\/p>\n<p><strong>Verst\u00e4rkungslernen:\u00a0<\/strong>Beim Verst\u00e4rkungslernen wird die Entscheidung auf der Grundlage der durchgef\u00fchrten Aktion getroffen, die zu einem positiveren Ergebnis f\u00fchrt. Der Lernende hat kein Wissen dar\u00fcber, welche Aktion zu ergreifen ist, er kann nur entscheiden, indem er Aktionen durchf\u00fchrt und die Ergebnisse sieht. Dieses Lernen ist also von Versuch und Irrtum abh\u00e4ngig [5].<\/p>\n<p>Die vielversprechendste Anwendung von maschinellem Lernen und k\u00fcnstlicher Intelligenz liegt in der personalisierten Medizin und der Pr\u00e4zisionsmedizin. In den letzten Jahren haben sich viele Start-ups auf diesen Bereich konzentriert und Pipelines entwickelt. Es lohnt sich, abzuwarten, ob sich diese in Produkte verwandeln, die langfristig dem einfachen Menschen zugute kommen.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Applications_of_Machine_Learning_in_Biology\"><\/span>Anwendungen des maschinellen Lernens in der Biologie<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p><strong>Identifizierung von Genkodierungsregionen<br \/>\n<\/strong>Auf dem Gebiet der Genomik hat die Sequenzierung der n\u00e4chsten Generation durch die Sequenzierung eines Genoms in kurzer Zeit rasche Fortschritte gemacht. Ein aktiver Bereich ist daher das maschinelle Lernen, das zur Identifizierung von genkodierenden Regionen in einem Genom eingesetzt wird. Solche Werkzeuge zur Genvorhersage, die auf maschinellem Lernen beruhen, sind empfindlicher als typische homologbasierte Sequenzsuchen.<\/p>\n<p><strong>Strukturvorhersage<\/strong><br \/>\nIm Bereich der Proteomik haben wir uns bereits mit PPI befasst. Durch den Einsatz des maschinellen Lernens bei der Strukturvorhersage konnte die Genauigkeit von 70% auf \u00fcber 80% gesteigert werden. Der Einsatz von maschinellem Lernen beim Text-Mining ist recht vielversprechend, denn es k\u00f6nnen Trainingss\u00e4tze verwendet werden, um neue oder neuartige Arzneimittelziele aus mehreren Zeitschriftenartikeln zu identifizieren und Sekund\u00e4rdatenbanken zu durchsuchen.<\/p>\n<p><strong>Neuronale Netze<\/strong><br \/>\nDeep Learning ist ein neueres Teilgebiet des maschinellen Lernens, das eine Erweiterung des neuronalen Netzes darstellt. Beim tiefen Lernen bezieht sich \"tief\" auf die Anzahl der Schichten, durch die Daten transformiert werden. Deep Learning \u00e4hnelt also einem neuronalen Netz mit mehreren Schichten. Diese mehrschichtigen Knoten versuchen zu imitieren, wie das menschliche Gehirn denkt, um Probleme zu l\u00f6sen. Neuronale Netze werden bereits beim maschinellen Lernen eingesetzt. Auf neuronalen Netzen basierende Algorithmen f\u00fcr das maschinelle Lernen ben\u00f6tigen verfeinerte oder aussagekr\u00e4ftige Daten aus Rohdatens\u00e4tzen, um eine Analyse durchzuf\u00fchren. Aufgrund der zunehmenden Datenmenge bei der Genomsequenzierung ist es jedoch schwierig, aussagekr\u00e4ftige Informationen zu verarbeiten und dann die Analyse durchzuf\u00fchren. Mehrere Schichten in neuronalen Netzen filtern die Informationen und kommunizieren mit jeder Schicht, um die Ausgabe zu verfeinern.<\/p>\n<p>Deep-Learning-Algorithmen extrahieren Merkmale aus gro\u00dfen Datens\u00e4tzen wie einer Gruppe von Bildern oder Genomen und entwickeln ein Modell auf der Grundlage der extrahierten Merkmale. Sobald das Modell entwickelt ist, k\u00f6nnen die Algorithmen das entwickelte Modell verwenden, um andere Datens\u00e4tze zu analysieren. T<strong>eute nutzen Wissenschaftler Deep-Learning-Algorithmen zur Klassifizierung von Zellbildern, zur Genomanalyse, zur Arzneimittelentdeckung und um herauszufinden, wie Bild- und Genomdaten mit elektronischen Krankenakten verkn\u00fcpft werden k\u00f6nnen.<\/strong> Heutzutage ist Deep Learning ein aktives Feld in der Computerbiologie. Deep Learning wird auf biologische Hochdurchsatzdaten angewandt und hilft dabei, hochdimensionale Datens\u00e4tze besser zu verstehen. In der computergest\u00fctzten Biologie wird Deep Learning in der regulatorischen Genomik f\u00fcr die Identifizierung regulatorischer Varianten, die Auswirkungen von Mutationen anhand von DNA-Sequenzen, die Analyse ganzer Zellen, Zellpopulationen und Gewebe eingesetzt [11].<\/p>\n<p><strong>KI im Gesundheitswesen<\/strong><br \/>\nMaschinelles Lernen und KI werden von Krankenh\u00e4usern und Gesundheitsdienstleistern in gro\u00dfem Umfang eingesetzt, um die Patientenzufriedenheit zu verbessern, personalisierte Behandlungen anzubieten, genaue Vorhersagen zu treffen und die Lebensqualit\u00e4t zu verbessern. Sie werden auch eingesetzt, um klinische Studien effizienter zu gestalten und die Entdeckung und Bereitstellung von Medikamenten zu beschleunigen.<\/p>\n<p>Um die Arbeit von Google zu zitieren, die\u00a0<a href=\"https:\/\/blog.kolabtree.com\/the-future-of-artificial-intelligence-in-healthcare\/\">KI in Gesundheitsdaten<\/a> [17, 18]\n<blockquote><p>\u00c4rzte werden bereits mit Warnmeldungen und Anforderungen an ihre Aufmerksamkeit \u00fcberflutet - k\u00f6nnten Modelle \u00c4rzten bei langweiligen, administrativen Aufgaben helfen, damit sie sich besser auf den Patienten vor ihnen oder auf Patienten, die besondere Aufmerksamkeit ben\u00f6tigen, konzentrieren k\u00f6nnen? K\u00f6nnen wir den Patienten helfen, eine qualitativ hochwertige Versorgung zu erhalten, unabh\u00e4ngig davon, wo sie diese in Anspruch nehmen?<\/p><\/blockquote>\n<p>Und aus der Sicht des Patienten<\/p>\n<blockquote><p>Wann werde ich nach Hause gehen k\u00f6nnen? Werde ich wieder gesund? Werde ich wieder ins Krankenhaus kommen m\u00fcssen?<\/p><\/blockquote>\n<h2><span class=\"ez-toc-section\" id=\"Machine_Learning_Tools_used_in_Biology\"><\/span>Werkzeuge f\u00fcr maschinelles Lernen in der Biologie<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p><strong>Zell-Profiler<\/strong>: Vor einigen Jahren wurde mit Software f\u00fcr die biologische Bildanalyse nur ein einzelner Parameter aus einer Gruppe von Bildern gemessen. Im Jahr 2005 ver\u00f6ffentlichte die Computerbiologin Anne Carpenter vom MIT und Harvard eine Software namens <a href=\"https:\/\/cellprofiler.org\/\">ZellProfiler<\/a> f\u00fcr die Messung von quantitativen Einzelmerkmalen wie der Anzahl fluoreszierender Zellen im Mikroskopiebereich. Derzeit kann CellProfiler jedoch durch die Implementierung von Deep-Learning-Techniken Tausende von Merkmalen erzeugen.<\/p>\n<p><strong>DeepVariant<\/strong>: Die Anwendung von Deep Learning wird in Tools f\u00fcr die Auswertung von Genomdaten ausgiebig genutzt. <a href=\"https:\/\/verily.com\">Verily life science<\/a> und Google entwickelten ein auf Deep Learning basierendes Tool namens <a href=\"https:\/\/github.com\/google\/deepvariant\">DeepVariant<\/a> das im Vergleich zu herk\u00f6mmlichen Instrumenten eine gemeinsame Art von genetischer Variation genauer vorhersagt.<\/p>\n<p><strong>Atomwise<\/strong>: Ein weiterer Bereich ist die Arzneimittelforschung, zu der Deep Learning einen wichtigen Beitrag leistet. Ein in San Francisco ans\u00e4ssiges Biotech-Unternehmen namens <a href=\"https:\/\/www.atomwise.com\/\">Atomwise<\/a> hat einen Algorithmus entwickelt, mit dem sich Molek\u00fcle in 3D-Pixel umwandeln lassen. Diese Darstellung hilft dabei, die 3D-Struktur von Proteinen und kleinen Molek\u00fclen mit atomarer Pr\u00e4zision zu erfassen. Anhand dieser Merkmale kann der Algorithmus dann kleine Molek\u00fcle vorhersagen, die m\u00f6glicherweise mit einem bestimmten Protein interagieren [12].<\/p>\n<p>Es gibt verschiedene Arten von Deep Learning-Methoden wie Deep Neural Network (DNN), Recurrent Neural Network (RNN), Convolution Neural Network (CNN), Deep Autoencoder (DA), Deep Boltzman Machine (DBM), Deep Belief Network (DBN) und Deep Residual Network (DRN) usw. Im Bereich der Biologie sind einige Methoden wie DNN, RNN, CNN, DA und DBM die am h\u00e4ufigsten verwendeten Methoden [13]. Die \u00dcbersetzung biologischer Daten zur Validierung von Biomarkern, die Aufschluss \u00fcber den Krankheitszustand geben, ist eine wichtige Aufgabe in der Biomedizin. DNN spielen eine wichtige Rolle bei der Identifizierung potenzieller Biomarker aus Genom- und Proteomdaten. Deep Learning spielt auch eine wichtige Rolle bei der Arzneimittelentdeckung [14].<\/p>\n<p>Das k\u00fcrzlich entwickelte CNN-Rechenprogramm DeepCpG wurde zur Vorhersage von DNA-Methylierungszust\u00e4nden in einzelnen Zellen verwendet. Bei der DNA-Methylierung werden Methylgruppen mit dem DNA-Molek\u00fcl assoziiert und ver\u00e4ndern die Funktionen des DNA-Molek\u00fcls, ohne \u00c4nderungen in der Sequenz zu verursachen. DeepCpG wird auch f\u00fcr die Vorhersage bekannter Motive verwendet, die f\u00fcr die Methylierungsvariabilit\u00e4t verantwortlich sind. Bei der Auswertung von f\u00fcnf verschiedenen Arten von Methylierungsdaten hat DeepCpG im Vergleich zu anderen Methoden genauere Ergebnisse vorhergesagt. Die DNA-Methylierung ist einer der am h\u00e4ufigsten untersuchten epigenetischen Marker [15].<\/p>\n<p><strong>TensorFlow<\/strong> ist ein von Google-Forschern entwickeltes Deep Learning Framework. TensorFlow ist eine k\u00fcrzlich entwickelte Software, die das DNN-Design und -Training beschleunigt. Es ist in mehreren Verbesserungen wie grafische Visualisierung und Zeitkomplikation implementiert. Die Hauptverbesserung von TensorFlow besteht darin, dass es mit unterst\u00fctzenden Tools namens TensorBoard verf\u00fcgbar ist, die f\u00fcr die Visualisierung des Trainingsfortschritts des Modells verwendet werden. Es kann die Visualisierung eines komplexen Modells erm\u00f6glichen [16].<\/p>\n<p>Zusammenfassend l\u00e4sst sich sagen, dass KI und maschinelles Lernen die Art und Weise ver\u00e4ndern, wie Biologen Forschung betreiben, sie interpretieren und zur L\u00f6sung von Problemen anwenden. Da die Wissenschaft zunehmend interdisziplin\u00e4r wird, ist es unvermeidlich, dass die Biologie weiterhin Anleihen beim maschinellen Lernen nehmen wird, oder besser noch, das maschinelle Lernen wird den Weg weisen.<\/p>\n<p><strong>Sie m\u00fcssen einen <a href=\"https:\/\/www.kolabtree.com\/find-an-expert\/subject\/machine-learning?utm_source=Blog&amp;utm_medium=Post&amp;campaign=MLBiology\">Berater f\u00fcr maschinelles Lernen<\/a> f\u00fcr ein Projekt? Lassen Sie sich von freiberuflichen Experten auf Kolabtree beraten. Es ist kostenlos, Ihr Projekt zu ver\u00f6ffentlichen und Angebote zu erhalten!<\/strong><\/p>\n<p><em>Danksagung:<\/em> Der Autor dankt Herrn Arvind Yadav f\u00fcr die Unterst\u00fctzung bei diesem Blogbeitrag.<\/p>\n<p><em>Referenzen und weiterf\u00fchrende Literatur:<\/em><\/p>\n<ol>\n<li>http:\/\/www.bbc.com\/news\/technology-43127533<\/li>\n<li>https:\/\/www.wired.com\/story\/why-artificial-intelligence-researchers-should-be-more-paranoid\/<\/li>\n<li>https:\/\/www.theverge.com\/2018\/2\/20\/17032228\/ai-artificial-intelligence-threat-report-malicious-uses<\/li>\n<li>http:\/\/www.thehindu.com\/opinion\/lead\/the-politics-of-ai\/article22809400.ece?homepage=true<\/li>\n<li>https:\/\/www.economist.com\/news\/science-and-technology\/21713828-silicon-valley-has-squidgy-worlds-biology-and-disease-its-sights-will<\/li>\n<li>Raina, C. K. (2016). Ein \u00dcberblick \u00fcber Techniken des maschinellen Lernens.\u00a0<em>Internationale Zeitschrift \u00fcber die neuesten und innovativsten Trends in der Datenverarbeitung und Kommunikation<\/em>,\u00a0<em>4<\/em>(3), 395-399.<\/li>\n<li>Jordan, M. I., &amp; Mitchell, T. M. (2015). Machine learning: Trends, Perspektiven und Aussichten.\u00a0<em>Wissenschaft<\/em>,\u00a0<em>349<\/em>(6245), 255-260.<\/li>\n<li>Praveena, M., &amp; Jaiganesh, V. (2017). Eine Literatur\u00fcbersicht \u00fcber \u00fcberwachte maschinelle Lernalgorithmen und Boosting-Verfahren.\u00a0<em>Internationale Zeitschrift f\u00fcr Computeranwendungen<\/em>,\u00a0<em>169<\/em>(8), 32-35.<\/li>\n<li>Forsberg, F., &amp; Alvarez Gonzalez, P. (2018). Unsupervised Machine Learning: An Investigation of Clustering Algorithms on a Small Dataset.<\/li>\n<li>Gosavi, A. (2009). Verst\u00e4rkungslernen: A tutorial survey and recent advances.\u00a0<em>INFORMS-Journal \u00fcber Datenverarbeitung<\/em>,\u00a0<em>21<\/em>(2), 178-192.<\/li>\n<li>Angerm\u00fcller, C., P\u00e4rnamaa, T., Parts, L., &amp; Stegle, O. (2016). Deep Learning f\u00fcr die computergest\u00fctzte Biologie.\u00a0<em>Molekulare Systembiologie<\/em>,\u00a0<em>12<\/em>(7), 878.<\/li>\n<li>Webb, S. (2018). Deep Learning f\u00fcr die Biologie. Nature. 2018 554(7693):555-557.<\/li>\n<li>Mahmud, M., Kaiser, M. S., Hussain, A., &amp; Vassanelli, S. (2018). Anwendungen von Deep Learning und Reinforcement Learning auf biologische Daten.\u00a0<em>IEEE-Transaktionen f\u00fcr neuronale Netze und lernende Systeme<\/em>,\u00a0<em>29<\/em>(6), 2063-2079.<\/li>\n<li>Mamoshina, P., Vieira, A., Putin, E., &amp; Zhavoronkov, A. (2016). Anwendungen von Deep Learning in der Biomedizin.\u00a0<em>Molekulare Pharmazie<\/em>,\u00a0<em>13<\/em>(5), 1445-1454.<\/li>\n<li>Angerm\u00fcller, C., Lee, H. J., Reik, W., &amp; Stegle, O. (2017). DeepCpG: genaue Vorhersage von Einzelzell-DNA-Methylierungszust\u00e4nden mit Deep Learning.\u00a0<em>Genombiologie<\/em>,\u00a0<em>18<\/em>(1), 67.<\/li>\n<li>Rampasek, L., &amp; Goldenberg, A. (2016). Tensorflow: Biology's gateway to deep learning?.\u00a0<em>Zellsysteme<\/em>,\u00a0<em>2<\/em>(1), 12-14.<\/li>\n<li>https:\/\/ai.googleblog.com\/2018\/05\/deep-learning-for-electronic-health.html<\/li>\n<li>Rajkomar et al., (2018) \"Skalierbares und genaues Deep Learning mit elektronischen Gesundheitsdaten<em>\", npj Digitale Medizin<\/em>, 1(1)<\/li>\n<\/ol>","protected":false},"excerpt":{"rendered":"<p>Machine learning has several applications in diverse fields, ranging from healthcare to natural language processing. Dr. Ragothanam Yennamalli, a computational biologist and Kolabtree freelancer, examines the applications of AI and machine learning in biology.\u00a0 Machine Learning and Artificial Intelligence &#8212; these technologies have stormed the world and have changed the way we work and live.<\/p>\n<div class=\"read-more\"><a href=\"https:\/\/www.kolabtree.com\/blog\/de\/applications-of-machine-learning-in-biology\/\" title=\"Mehr lesen\">Mehr lesen<\/a><\/div>","protected":false},"author":26,"featured_media":5410,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":[],"categories":[434,398,443,435],"tags":[],"acf":[],"yoast_head":"<!-- This site is optimized with the Yoast SEO Premium plugin v20.1 (Yoast SEO v20.1) - https:\/\/yoast.com\/wordpress\/plugins\/seo\/ -->\n<title>The Applications of Machine Learning in Biology - The Kolabtree Blog<\/title>\n<meta name=\"description\" content=\"Machine learning in biology has several applications that help scientists conduct and interpret research and apply their learnings to solving problems.\" \/>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/www.kolabtree.com\/blog\/de\/applications-of-machine-learning-in-biology\/\" \/>\n<meta property=\"og:locale\" content=\"de_DE\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"The Applications of Machine Learning in Biology\" \/>\n<meta property=\"og:description\" content=\"Machine learning in biology has several applications that help scientists conduct and interpret research and apply their learnings to solving problems.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/www.kolabtree.com\/blog\/de\/applications-of-machine-learning-in-biology\/\" \/>\n<meta property=\"og:site_name\" content=\"The Kolabtree Blog\" \/>\n<meta property=\"article:publisher\" content=\"https:\/\/www.facebook.com\/kolabtree\" \/>\n<meta property=\"article:published_time\" content=\"2019-03-15T14:59:00+00:00\" \/>\n<meta property=\"article:modified_time\" content=\"2023-02-15T11:47:02+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/www.kolabtree.com\/blog\/wp-content\/uploads\/2019\/03\/Untitled-design-11.png\" \/>\n\t<meta property=\"og:image:width\" content=\"810\" \/>\n\t<meta property=\"og:image:height\" content=\"450\" \/>\n\t<meta property=\"og:image:type\" content=\"image\/png\" \/>\n<meta name=\"author\" content=\"Ragothaman Yennamalli\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:creator\" content=\"@kolabtree\" \/>\n<meta name=\"twitter:site\" content=\"@kolabtree\" \/>\n<meta name=\"twitter:label1\" content=\"Verfasst von\" \/>\n\t<meta name=\"twitter:data1\" content=\"Ragothaman Yennamalli\" \/>\n\t<meta name=\"twitter:label2\" content=\"Gesch\u00e4tzte Lesezeit\" \/>\n\t<meta name=\"twitter:data2\" content=\"10\u00a0Minuten\" \/>\n<!-- \/ Yoast SEO Premium plugin. -->","yoast_head_json":{"title":"The Applications of Machine Learning in Biology - The Kolabtree Blog","description":"Machine learning in biology has several applications that help scientists conduct and interpret research and apply their learnings to solving problems.","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/www.kolabtree.com\/blog\/de\/applications-of-machine-learning-in-biology\/","og_locale":"de_DE","og_type":"article","og_title":"The Applications of Machine Learning in Biology","og_description":"Machine learning in biology has several applications that help scientists conduct and interpret research and apply their learnings to solving problems.","og_url":"https:\/\/www.kolabtree.com\/blog\/de\/applications-of-machine-learning-in-biology\/","og_site_name":"The Kolabtree Blog","article_publisher":"https:\/\/www.facebook.com\/kolabtree","article_published_time":"2019-03-15T14:59:00+00:00","article_modified_time":"2023-02-15T11:47:02+00:00","og_image":[{"width":810,"height":450,"url":"https:\/\/www.kolabtree.com\/blog\/wp-content\/uploads\/2019\/03\/Untitled-design-11.png","type":"image\/png"}],"author":"Ragothaman Yennamalli","twitter_card":"summary_large_image","twitter_creator":"@kolabtree","twitter_site":"@kolabtree","twitter_misc":{"Verfasst von":"Ragothaman Yennamalli","Gesch\u00e4tzte Lesezeit":"10\u00a0Minuten"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/www.kolabtree.com\/blog\/applications-of-machine-learning-in-biology\/#article","isPartOf":{"@id":"https:\/\/www.kolabtree.com\/blog\/applications-of-machine-learning-in-biology\/"},"author":{"name":"Ragothaman Yennamalli","@id":"https:\/\/www.kolabtree.com\/blog\/#\/schema\/person\/61d4584c2ca630dcee91e7a79c417693"},"headline":"The Applications of Machine Learning in Biology","datePublished":"2019-03-15T14:59:00+00:00","dateModified":"2023-02-15T11:47:02+00:00","mainEntityOfPage":{"@id":"https:\/\/www.kolabtree.com\/blog\/applications-of-machine-learning-in-biology\/"},"wordCount":2170,"commentCount":0,"publisher":{"@id":"https:\/\/www.kolabtree.com\/blog\/#organization"},"articleSection":["Artificial Intelligence","Data Science","Healthcare","Research"],"inLanguage":"de","potentialAction":[{"@type":"CommentAction","name":"Comment","target":["https:\/\/www.kolabtree.com\/blog\/applications-of-machine-learning-in-biology\/#respond"]}]},{"@type":"WebPage","@id":"https:\/\/www.kolabtree.com\/blog\/applications-of-machine-learning-in-biology\/","url":"https:\/\/www.kolabtree.com\/blog\/applications-of-machine-learning-in-biology\/","name":"The Applications of Machine Learning in Biology - The Kolabtree Blog","isPartOf":{"@id":"https:\/\/www.kolabtree.com\/blog\/#website"},"datePublished":"2019-03-15T14:59:00+00:00","dateModified":"2023-02-15T11:47:02+00:00","description":"Machine learning in biology has several applications that help scientists conduct and interpret research and apply their learnings to solving problems.","breadcrumb":{"@id":"https:\/\/www.kolabtree.com\/blog\/applications-of-machine-learning-in-biology\/#breadcrumb"},"inLanguage":"de","potentialAction":[{"@type":"ReadAction","target":["https:\/\/www.kolabtree.com\/blog\/applications-of-machine-learning-in-biology\/"]}]},{"@type":"BreadcrumbList","@id":"https:\/\/www.kolabtree.com\/blog\/applications-of-machine-learning-in-biology\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/www.kolabtree.com\/blog\/"},{"@type":"ListItem","position":2,"name":"The Applications of Machine Learning in Biology"}]},{"@type":"WebSite","@id":"https:\/\/www.kolabtree.com\/blog\/#website","url":"https:\/\/www.kolabtree.com\/blog\/","name":"The Kolabtree Blog","description":"Expert Views on Science, Innovation and Product Development","publisher":{"@id":"https:\/\/www.kolabtree.com\/blog\/#organization"},"potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/www.kolabtree.com\/blog\/?s={search_term_string}"},"query-input":"required name=search_term_string"}],"inLanguage":"de"},{"@type":"Organization","@id":"https:\/\/www.kolabtree.com\/blog\/#organization","name":"Kolabtree","url":"https:\/\/www.kolabtree.com\/blog\/","logo":{"@type":"ImageObject","inLanguage":"de","@id":"https:\/\/www.kolabtree.com\/blog\/#\/schema\/logo\/image\/","url":"","contentUrl":"","caption":"Kolabtree"},"image":{"@id":"https:\/\/www.kolabtree.com\/blog\/#\/schema\/logo\/image\/"},"sameAs":["https:\/\/www.facebook.com\/kolabtree","https:\/\/twitter.com\/kolabtree","https:\/\/instagram.com\/kolabtree","https:\/\/www.linkedin.com\/company\/kolabtree","https:\/\/en.m.wikipedia.org\/wiki\/Kolabtree"]},{"@type":"Person","@id":"https:\/\/www.kolabtree.com\/blog\/#\/schema\/person\/61d4584c2ca630dcee91e7a79c417693","name":"Ragothaman Yennamalli","image":{"@type":"ImageObject","inLanguage":"de","@id":"https:\/\/www.kolabtree.com\/blog\/#\/schema\/person\/image\/","url":"https:\/\/www.kolabtree.com\/blog\/wp-content\/uploads\/2017\/06\/raghu_bt-96x96.jpg","contentUrl":"https:\/\/www.kolabtree.com\/blog\/wp-content\/uploads\/2017\/06\/raghu_bt-96x96.jpg","caption":"Ragothaman Yennamalli"},"description":"Dr. Ragothaman Yennamalli completed his PhD in Computational Biology and Bioinformatics in 2008 from Jawaharlal Nehru University, New Delhi. He conducted postdoctoral research at Iowa State University (2009-2011), University of Wisconsin-Madison (2011-2012), and Rice University (2012-2014). Currently he is an Assistant Professor at Jaypee University of Information Technology, Waknaghat, Himachal Pradesh, India.","url":"https:\/\/www.kolabtree.com\/blog\/de\/author\/ragothaman\/"}]}},"amp_enabled":true,"_links":{"self":[{"href":"https:\/\/www.kolabtree.com\/blog\/de\/wp-json\/wp\/v2\/posts\/2986"}],"collection":[{"href":"https:\/\/www.kolabtree.com\/blog\/de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.kolabtree.com\/blog\/de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.kolabtree.com\/blog\/de\/wp-json\/wp\/v2\/users\/26"}],"replies":[{"embeddable":true,"href":"https:\/\/www.kolabtree.com\/blog\/de\/wp-json\/wp\/v2\/comments?post=2986"}],"version-history":[{"count":25,"href":"https:\/\/www.kolabtree.com\/blog\/de\/wp-json\/wp\/v2\/posts\/2986\/revisions"}],"predecessor-version":[{"id":10463,"href":"https:\/\/www.kolabtree.com\/blog\/de\/wp-json\/wp\/v2\/posts\/2986\/revisions\/10463"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.kolabtree.com\/blog\/de\/wp-json\/wp\/v2\/media\/5410"}],"wp:attachment":[{"href":"https:\/\/www.kolabtree.com\/blog\/de\/wp-json\/wp\/v2\/media?parent=2986"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.kolabtree.com\/blog\/de\/wp-json\/wp\/v2\/categories?post=2986"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.kolabtree.com\/blog\/de\/wp-json\/wp\/v2\/tags?post=2986"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}