{"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\/es\/aplicaciones-del-aprendizaje-automatico-en-biologia\/","title":{"rendered":"Las aplicaciones del aprendizaje autom\u00e1tico en la biolog\u00eda"},"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\">Tabla de contenidos<\/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-69f4a3fc9d998\" aria-label=\"Tabla de contenidos\"><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-69f4a3fc9d998\"><\/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\/es\/aplicaciones-del-aprendizaje-automatico-en-biologia\/#What_is_machine_learning\" title=\"\u00bfQu\u00e9 es el aprendizaje autom\u00e1tico?\">\u00bfQu\u00e9 es el aprendizaje autom\u00e1tico?<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-2\" href=\"https:\/\/www.kolabtree.com\/blog\/es\/aplicaciones-del-aprendizaje-automatico-en-biologia\/#Applications_of_Machine_Learning_in_Biology\" title=\"Aplicaciones del aprendizaje autom\u00e1tico en biolog\u00eda\">Aplicaciones del aprendizaje autom\u00e1tico en biolog\u00eda<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-3\" href=\"https:\/\/www.kolabtree.com\/blog\/es\/aplicaciones-del-aprendizaje-automatico-en-biologia\/#Machine_Learning_Tools_used_in_Biology\" title=\"Herramientas de aprendizaje autom\u00e1tico utilizadas en biolog\u00eda\">Herramientas de aprendizaje autom\u00e1tico utilizadas en biolog\u00eda<\/a><\/li><\/ul><\/nav><\/div>\n<p><strong>El aprendizaje autom\u00e1tico tiene varias aplicaciones en diversos campos, desde la asistencia sanitaria hasta el procesamiento del lenguaje natural. El Dr. Ragothanam Yennamalli, bi\u00f3logo computacional y aut\u00f3nomo de Kolabtree, examina las aplicaciones de la IA y <a href=\"https:\/\/www.kolabtree.com\/find-an-expert\/subject\/machine-learning?utm_source=Blog&amp;utm_medium=Post&amp;campaign=MLBiology\">aprendizaje autom\u00e1tico<\/a> en biolog\u00eda.\u00a0<\/strong><\/p>\n<p>Machine Learning and <a href=\"https:\/\/www.kolabtree.com\/blog\/es\/ensuring-reproducibility-in-ai-driven-research-how-freelance-experts-can-help-in-biotech-and-healthcare\/\">Inteligencia Artificial<\/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\/\">salud<\/a> y la biotecnolog\u00eda.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"What_is_machine_learning\"><\/span>\u00bfQu\u00e9 es el aprendizaje autom\u00e1tico?<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p><a href=\"https:\/\/blog.kolabtree.com\/understanding-scope-of-machine-learning-and-its-applications\/\">Aprendizaje autom\u00e1tico<\/a> y la estad\u00edstica est\u00e1n estrechamente relacionados. La raz\u00f3n es que los m\u00e9todos utilizados en la mayor\u00eda de los enfoques de aprendizaje autom\u00e1tico tienen su origen en la estad\u00edstica, como el an\u00e1lisis de regresi\u00f3n. <strong>Aunque los m\u00e9todos de aprendizaje autom\u00e1tico tienen muchas aplicaciones, sus aplicaciones a los datos biol\u00f3gicos desde los \u00faltimos 30 a\u00f1os aproximadamente han sido en la predicci\u00f3n de genes, la anotaci\u00f3n funcional, la biolog\u00eda de sistemas, el an\u00e1lisis de datos de microarrays, el an\u00e1lisis de v\u00edas, etc.<\/strong><\/p>\n<p>Un patr\u00f3n es lo que una m\u00e1quina trata de identificar en unos datos determinados, a partir de los cuales intenta identificar un patr\u00f3n similar en otro conjunto de datos. Los procesos de aprendizaje autom\u00e1tico son bastante similares a los de la modelizaci\u00f3n predictiva y la miner\u00eda de datos. Buscan datos para identificar patrones y alterar la acci\u00f3n del programa, en consecuencia.<\/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>Conocemos el aprendizaje autom\u00e1tico y la IA a trav\u00e9s de las herramientas de compra online, ya que se sugieren algunas recomendaciones relacionadas con nuestra compra. Esto ocurre porque los motores de recomendaci\u00f3n funcionan con aprendizaje autom\u00e1tico. El aprendizaje autom\u00e1tico tambi\u00e9n tiene otras aplicaciones, como el filtrado de spam, la detecci\u00f3n de amenazas de seguridad, la detecci\u00f3n de fraudes y la personalizaci\u00f3n de las noticias.<\/p>\n<p>El aprendizaje autom\u00e1tico se clasifica principalmente en tres tipos: aprendizaje supervisado, aprendizaje no supervisado y aprendizaje de refuerzo.<\/p>\n<p><strong>Aprendizaje supervisado: <\/strong>Los algoritmos de aprendizaje autom\u00e1tico supervisado requieren asistencia externa. La asistencia externa suele ser a trav\u00e9s de un experto humano que proporciona una entrada curada para la salida deseada para predecir la precisi\u00f3n en el entrenamiento del algoritmo. El experto o el cient\u00edfico de datos determina las caracter\u00edsticas o los patrones que utilizar\u00e1 el modelo. Una vez completado el entrenamiento, se puede aplicar a la prueba de otros datos para la predicci\u00f3n y la clasificaci\u00f3n. Es supervisado porque el algoritmo aprende del conjunto de datos de entrenamiento, como un profesor que supervisa el proceso de aprendizaje de un alumno.<\/p>\n<p>Adem\u00e1s, el aprendizaje supervisado se divide en dos categor\u00edas: clasificaci\u00f3n y regresi\u00f3n. En la clasificaci\u00f3n, la variable de salida se clasifica en clases como \"rojo\" o \"verde\" o \"enfermedad\" o \"no enfermedad\". En la regresi\u00f3n, la variable de salida es un valor real como \"d\u00f3lares\" o \"peso\".<\/p>\n<p>As\u00ed, en los clasificadores supervisados se proporciona un conjunto de entrenamiento para entrenar a la m\u00e1quina y se eval\u00faa con un conjunto de pruebas. Lo m\u00e1s importante en estos clasificadores es c\u00f3mo se construye el conjunto de entrenamiento. En la mayor\u00eda de los casos, tener un conjunto de entrenamiento de alta calidad hace o rompe el aprendizaje de la m\u00e1quina. Tambi\u00e9n hay que tener en cuenta los datos negativos que se proporcionan como parte del conjunto de entrenamiento. A veces, resulta dif\u00edcil identificar un buen conjunto de datos negativos.<\/p>\n<p><em>Por ejemplo, si quisiera desarrollar\/entrenar una m\u00e1quina para predecir si dos prote\u00ednas interact\u00faan (interacciones prote\u00edna-prote\u00edna o PPI) o no; necesitar\u00eda un conjunto positivo de secuencias\/estructuras de prote\u00ednas que se haya demostrado que interact\u00faan f\u00edsicamente (como cristalograf\u00eda de rayos X, datos de RMN) y necesitar\u00eda un conjunto negativo de secuencias\/estructuras de prote\u00ednas que se sabe que funcionan sin interactuar con. un compa\u00f1ero. En este caso, el conjunto negativo es relativamente grande en comparaci\u00f3n con el conjunto positivo, ya que los datos de PPI conocidos son significativamente menores en comparaci\u00f3n con el proteoma de un organismo. Por lo tanto, es necesario analizar cr\u00edticamente los datos y esto lleva tiempo.<\/em><\/p>\n<p><strong>Aprendizaje no supervisado:<\/strong> En los algoritmos de aprendizaje no supervisado no se necesita ayuda externa. El programa inform\u00e1tico busca autom\u00e1ticamente las caracter\u00edsticas o patrones de los datos y los agrupa en clusters. Cuando introducimos nuevos datos para la predicci\u00f3n, entonces utiliza las caracter\u00edsticas aprendidas previamente para clasificar los datos. Este m\u00e9todo es muy \u00fatil en la era del big data porque requiere una gran cantidad de datos de entrenamiento. Se denomina aprendizaje no supervisado porque no hay ning\u00fan maestro ni supervisi\u00f3n.<\/p>\n<p>El aprendizaje no supervisado se clasifica a su vez en tres clases: clustering, clustering jer\u00e1rquico y modelo de mezcla gaussiana. En el m\u00e9todo de clustering, se descubre la relaci\u00f3n entre tipos de datos similares y se agrupan en clusters. En el clustering jer\u00e1rquico, los datos se agrupan en base a peque\u00f1os clusters mediante alguna medida de similitud. A continuaci\u00f3n, bas\u00e1ndose en alg\u00fan par\u00e1metro similar, los subconglomerados se agrupan de nuevo. En el modelo de mezcla gaussiana, cada componente de la mezcla presenta un cl\u00faster \u00fanico.<\/p>\n<p><strong>Aprendizaje por refuerzo:\u00a0<\/strong>En el aprendizaje por refuerzo, la decisi\u00f3n se toma sobre la base de la acci\u00f3n realizada que da un resultado m\u00e1s positivo. El alumno no sabe qu\u00e9 acci\u00f3n tomar, sino que puede decidirlo realizando acciones y viendo los resultados. Por lo tanto, este aprendizaje depende de la prueba y el error [5].<\/p>\n<p>La aplicaci\u00f3n m\u00e1s prometedora del aprendizaje autom\u00e1tico y la inteligencia artificial es la medicina personalizada y la medicina de precisi\u00f3n. En los \u00faltimos a\u00f1os, muchas startups se han centrado en esto y han desarrollado pipelines. Merece la pena esperar para ver si se traducen en productos que beneficien al hombre com\u00fan a largo plazo.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Applications_of_Machine_Learning_in_Biology\"><\/span>Aplicaciones del aprendizaje autom\u00e1tico en biolog\u00eda<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p><strong>Identificaci\u00f3n de las regiones de codificaci\u00f3n de los genes<br \/>\n<\/strong>En el \u00e1mbito de la gen\u00f3mica, la secuenciaci\u00f3n de nueva generaci\u00f3n ha hecho avanzar r\u00e1pidamente el campo al secuenciar un genoma en poco tiempo. As\u00ed, un \u00e1rea activa el aprendizaje autom\u00e1tico se aplica a la identificaci\u00f3n de regiones de codificaci\u00f3n de genes en un genoma. Estas herramientas de predicci\u00f3n de genes que implican el aprendizaje autom\u00e1tico ser\u00edan m\u00e1s sensibles que las t\u00edpicas b\u00fasquedas de secuencias basadas en hom\u00f3logos.<\/p>\n<p><strong>Predicci\u00f3n de la estructura<\/strong><br \/>\nEn el \u00e1mbito de la prote\u00f3mica, ya hemos hablado de la IPP. Pero el uso del aprendizaje autom\u00e1tico en la predicci\u00f3n de estructuras ha llevado la precisi\u00f3n de 70% a m\u00e1s de 80%. El uso del aprendizaje autom\u00e1tico en la miner\u00eda de textos es bastante prometedor con el uso de conjuntos de entrenamiento para identificar nuevas o novedosas dianas farmacol\u00f3gicas a partir de m\u00faltiples art\u00edculos de revistas y la b\u00fasqueda en bases de datos secundarias.<\/p>\n<p><strong>Redes neuronales<\/strong><br \/>\nEl aprendizaje profundo es un subcampo m\u00e1s reciente del aprendizaje autom\u00e1tico que es la extensi\u00f3n de las redes neuronales. En el aprendizaje profundo, \"profundo\" se refiere al n\u00famero de capas a trav\u00e9s de las cuales se transforman los datos. As\u00ed, el aprendizaje profundo es similar a una red neuronal con m\u00faltiples capas. Estos nodos multicapas tratan de imitar c\u00f3mo piensa el cerebro humano para resolver los problemas. Las redes neuronales ya son utilizadas por el aprendizaje autom\u00e1tico. Los algoritmos de aprendizaje autom\u00e1tico basados en redes neuronales necesitan datos refinados o significativos de conjuntos de datos sin procesar para realizar el an\u00e1lisis. Pero el aumento de los datos de la secuenciaci\u00f3n del genoma dificulta el procesamiento de la informaci\u00f3n significativa y la realizaci\u00f3n del an\u00e1lisis. Las m\u00faltiples capas de las redes neuronales filtran la informaci\u00f3n y la comunican a cada capa, lo que permite refinar la salida.<\/p>\n<p>Los algoritmos de aprendizaje profundo extraen caracter\u00edsticas de grandes conjuntos de datos, como un grupo de im\u00e1genes o genomas, y desarrollan un modelo sobre la base de las caracter\u00edsticas extra\u00eddas. Una vez desarrollado el modelo, los algoritmos pueden utilizarlo para analizar otros conjuntos de datos. T<strong>oy en d\u00eda, los cient\u00edficos utilizan algoritmos de aprendizaje profundo para realizar la clasificaci\u00f3n de im\u00e1genes celulares, el an\u00e1lisis del genoma, el descubrimiento de f\u00e1rmacos y tambi\u00e9n para averiguar c\u00f3mo se vinculan los datos de las im\u00e1genes y del genoma con los registros m\u00e9dicos electr\u00f3nicos.<\/strong> Hoy en d\u00eda, el aprendizaje profundo es un campo activo en la biolog\u00eda computacional. El aprendizaje profundo se aplica a datos biol\u00f3gicos de alto rendimiento que ayudan a comprender mejor un conjunto de datos de alta dimensi\u00f3n. En la biolog\u00eda computacional, el aprendizaje profundo se utiliza en la gen\u00f3mica reguladora para la identificaci\u00f3n de variantes reguladoras, el efecto de la mutaci\u00f3n utilizando la secuencia de ADN, el an\u00e1lisis de c\u00e9lulas enteras, la poblaci\u00f3n de c\u00e9lulas y tejidos [11].<\/p>\n<p><strong>La IA en la sanidad<\/strong><br \/>\nLos hospitales y los proveedores de servicios sanitarios est\u00e1n utilizando ampliamente el aprendizaje autom\u00e1tico y la IA para mejorar la satisfacci\u00f3n de los pacientes, ofrecer tratamientos personalizados, hacer predicciones precisas y mejorar la calidad de vida. Tambi\u00e9n se est\u00e1 utilizando para hacer m\u00e1s eficientes los ensayos cl\u00ednicos y ayudar a acelerar el proceso de descubrimiento y suministro de medicamentos.<\/p>\n<p>Citando el trabajo de Google que emplea\u00a0<a href=\"https:\/\/blog.kolabtree.com\/the-future-of-artificial-intelligence-in-healthcare\/\">La IA en los datos sanitarios<\/a> [17, 18]\n<blockquote><p>Los m\u00e9dicos ya est\u00e1n inundados de alertas y demandas de atenci\u00f3n: \u00bfpodr\u00edan los modelos ayudar a los m\u00e9dicos con las tediosas tareas administrativas para que puedan centrarse mejor en el paciente que tienen delante o en los que necesitan atenci\u00f3n adicional? \u00bfPodemos ayudar a los pacientes a recibir una atenci\u00f3n de alta calidad independientemente del lugar donde la busquen?<\/p><\/blockquote>\n<p>Y desde el punto de vista del paciente<\/p>\n<blockquote><p>\u00bfCu\u00e1ndo podr\u00e9 volver a casa? \u00bfMe mejorar\u00e9? \u00bfTendr\u00e9 que volver al hospital?<\/p><\/blockquote>\n<h2><span class=\"ez-toc-section\" id=\"Machine_Learning_Tools_used_in_Biology\"><\/span>Herramientas de aprendizaje autom\u00e1tico utilizadas en biolog\u00eda<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p><strong>Perfil de la c\u00e9lula<\/strong>: Hace unos a\u00f1os, los programas inform\u00e1ticos para el an\u00e1lisis de im\u00e1genes biol\u00f3gicas s\u00f3lo med\u00edan un \u00fanico par\u00e1metro de un grupo de im\u00e1genes. En 2005, una bi\u00f3loga computacional, Anne Carpenter, del MIT y Harvard, lanz\u00f3 un software llamado <a href=\"https:\/\/cellprofiler.org\/\">CellProfiler<\/a> para la medici\u00f3n de caracter\u00edsticas individuales cuantitativas como el n\u00famero de c\u00e9lulas fluorescentes en el campo de la microscop\u00eda. Pero, actualmente CellProfiler puede producir miles de caracter\u00edsticas mediante la implementaci\u00f3n de t\u00e9cnicas de aprendizaje profundo.<\/p>\n<p><strong>DeepVariant<\/strong>: La aplicaci\u00f3n del aprendizaje profundo se utiliza ampliamente en herramientas para la miner\u00eda de datos del genoma. <a href=\"https:\/\/verily.com\">Verily life science<\/a> y Google desarrollaron una herramienta basada en el aprendizaje profundo llamada <a href=\"https:\/\/github.com\/google\/deepvariant\">DeepVariant<\/a> que predice un tipo com\u00fan de variaci\u00f3n gen\u00e9tica con mayor precisi\u00f3n en comparaci\u00f3n con las herramientas convencionales.<\/p>\n<p><strong>Atomwise<\/strong>: Otro campo es el del descubrimiento de f\u00e1rmacos en el que el aprendizaje profundo contribuye de forma significativa. Una empresa de biotecnolog\u00eda con sede en San Francisco llamada <a href=\"https:\/\/www.atomwise.com\/\">Atomwise<\/a> ha desarrollado un algoritmo que ayuda a convertir las mol\u00e9culas en p\u00edxeles 3D. Esta representaci\u00f3n ayuda a dar cuenta de la estructura 3D de las prote\u00ednas y las peque\u00f1as mol\u00e9culas con precisi\u00f3n at\u00f3mica. A continuaci\u00f3n, utilizando estas caracter\u00edsticas, el algoritmo puede predecir las peque\u00f1as mol\u00e9culas que posiblemente interact\u00faen con una prote\u00edna determinada [12].<\/p>\n<p>Existen diferentes tipos de m\u00e9todos de aprendizaje profundo, como las redes neuronales profundas (DNN), las redes neuronales recurrentes (RNN), las redes neuronales de convoluci\u00f3n (CNN), los autoencodificadores profundos (DA), las m\u00e1quinas profundas de Boltzman (DBM), las redes profundas de creencia (DBN) y las redes residuales profundas (DRN), etc. En el campo de la biolog\u00eda algunos m\u00e9todos como, DNN, RNN, CNN, DA y DBM son los m\u00e1s utilizados [13]. La traducci\u00f3n de datos biol\u00f3gicos para realizar la validaci\u00f3n de biomarcadores que revelen el estado de la enfermedad es una tarea clave en biomedicina. Las DNN desempe\u00f1an un papel importante en la identificaci\u00f3n de biomarcadores potenciales a partir de datos del genoma y del proteoma. El aprendizaje profundo tambi\u00e9n juega un papel importante en el descubrimiento de f\u00e1rmacos [14].<\/p>\n<p>La CNN ha utilizado la herramienta computacional desarrollada recientemente DeepCpG para predecir los estados de metilaci\u00f3n del ADN en c\u00e9lulas individuales. En la metilaci\u00f3n del ADN, los grupos metilo se asocian a la mol\u00e9cula de ADN y alteran las funciones de la mol\u00e9cula de ADN sin causar ning\u00fan cambio en la secuencia. DeepCpG tambi\u00e9n se utiliza para la predicci\u00f3n de motivos conocidos que son responsables de la variabilidad de la metilaci\u00f3n. DeepCpG predijo un resultado m\u00e1s preciso en comparaci\u00f3n con otros m\u00e9todos cuando se evalu\u00f3 utilizando cinco tipos diferentes de datos de metilaci\u00f3n. La metilaci\u00f3n del ADN es un marcador epigen\u00e9tico ampliamente estudiado [15].<\/p>\n<p><strong>TensorFlow<\/strong> es un marco de aprendizaje profundo desarrollado por investigadores de Google. TensorFlow es un software desarrollado recientemente que acelera el dise\u00f1o y el entrenamiento de las DNN. Se implementa en varias mejoras como la visualizaci\u00f3n gr\u00e1fica y la complicaci\u00f3n de tiempo. La principal mejora de TensorFlow es que est\u00e1 disponible con herramientas de apoyo llamadas TensorBoard que se utilizan para visualizar el progreso del entrenamiento del modelo. Puede proporcionar la visualizaci\u00f3n de un modelo complejo [16].<\/p>\n<p>En conclusi\u00f3n, la IA y el aprendizaje autom\u00e1tico est\u00e1n cambiando la forma en que los bi\u00f3logos llevan a cabo la investigaci\u00f3n, la interpretan y la aplican para resolver problemas. A medida que la ciencia se vuelve cada vez m\u00e1s interdisciplinaria, es inevitable que la biolog\u00eda siga tomando prestado el aprendizaje autom\u00e1tico, o mejor a\u00fan, que el aprendizaje autom\u00e1tico marque el camino.<\/p>\n<p><strong>Necesidad de contratar a un <a href=\"https:\/\/www.kolabtree.com\/find-an-expert\/subject\/machine-learning?utm_source=Blog&amp;utm_medium=Post&amp;campaign=MLBiology\">consultor de aprendizaje autom\u00e1tico<\/a> para un proyecto? Consulta a los expertos freelance en Kolabtree. \u00a1Es gratis publicar tu proyecto y obtener presupuestos!<\/strong><\/p>\n<p><em>Agradecimiento:<\/em> El autor desea agradecer al Sr. Arvind Yadav su ayuda en esta entrada del blog.<\/p>\n<p><em>Referencias y lecturas adicionales:<\/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). Una revisi\u00f3n de las t\u00e9cnicas de aprendizaje autom\u00e1tico.\u00a0<em>Revista internacional sobre tendencias recientes e innovadoras en inform\u00e1tica y comunicaciones<\/em>,\u00a0<em>4<\/em>(3), 395-399.<\/li>\n<li>Jordan, M. I., &amp; Mitchell, T. M. (2015). El aprendizaje autom\u00e1tico: Tendencias, perspectivas y perspectivas.\u00a0<em>Ciencia<\/em>,\u00a0<em>349<\/em>(6245), 255-260.<\/li>\n<li>Praveena, M., &amp; Jaiganesh, V. (2017). Una revisi\u00f3n de la literatura sobre los algoritmos de aprendizaje autom\u00e1tico supervisado y el proceso de refuerzo.\u00a0<em>Revista Internacional de Aplicaciones Inform\u00e1ticas<\/em>,\u00a0<em>169<\/em>(8), 32-35.<\/li>\n<li>Forsberg, F., &amp; \u00c1lvarez Gonz\u00e1lez, P. (2018). Aprendizaje autom\u00e1tico no supervisado: Una investigaci\u00f3n de algoritmos de clustering en un peque\u00f1o conjunto de datos.<\/li>\n<li>Gosavi, A. (2009). Aprendizaje por refuerzo: Un estudio tutorial y avances recientes.\u00a0<em>INFORMS Journal on Computing<\/em>,\u00a0<em>21<\/em>(2), 178-192.<\/li>\n<li>Angermueller, C., P\u00e4rnamaa, T., Parts, L., &amp; Stegle, O. (2016). Aprendizaje profundo para la biolog\u00eda computacional.\u00a0<em>Biolog\u00eda de sistemas moleculares<\/em>,\u00a0<em>12<\/em>(7), 878.<\/li>\n<li>Webb, S. (2018). Aprendizaje profundo para la biolog\u00eda. Nature. 2018 554(7693):555-557.<\/li>\n<li>Mahmud, M., Kaiser, M. S., Hussain, A., &amp; Vassanelli, S. (2018). Aplicaciones del aprendizaje profundo y el aprendizaje de refuerzo a los datos biol\u00f3gicos.\u00a0<em>Transacciones del IEEE sobre redes neuronales y sistemas de aprendizaje<\/em>,\u00a0<em>29<\/em>(6), 2063-2079.<\/li>\n<li>Mamoshina, P., Vieira, A., Putin, E., &amp; Zhavoronkov, A. (2016). Aplicaciones del aprendizaje profundo en biomedicina.\u00a0<em>Farmac\u00e9utica molecular<\/em>,\u00a0<em>13<\/em>(5), 1445-1454.<\/li>\n<li>Angermueller, C., Lee, H. J., Reik, W., &amp; Stegle, O. (2017). DeepCpG: predicci\u00f3n precisa de los estados de metilaci\u00f3n del ADN de una sola c\u00e9lula utilizando el aprendizaje profundo.\u00a0<em>Biolog\u00eda del genoma<\/em>,\u00a0<em>18<\/em>(1), 67.<\/li>\n<li>Rampasek, L., &amp; Goldenberg, A. (2016). Tensorflow: \u00bfLa puerta de entrada de la biolog\u00eda al aprendizaje profundo?\u00a0<em>Sistemas celulares<\/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) \"Aprendizaje profundo escalable y preciso con registros sanitarios electr\u00f3nicos\".<em>\", npj Medicina Digital<\/em>, 1(1)<\/li>\n<\/ol>","protected":false},"excerpt":{"rendered":"<p>El aprendizaje autom\u00e1tico tiene varias aplicaciones en diversos campos, desde la asistencia sanitaria hasta el procesamiento del lenguaje natural. El Dr. Ragothanam Yennamalli, bi\u00f3logo computacional y freelance de Kolabtree, examina las aplicaciones de la IA y el aprendizaje autom\u00e1tico en biolog\u00eda.  Aprendizaje autom\u00e1tico e inteligencia artificial: estas tecnolog\u00edas han irrumpido en el mundo y han cambiado nuestra forma de trabajar y vivir.<\/p>\n<div class=\"read-more\"><a href=\"https:\/\/www.kolabtree.com\/blog\/es\/aplicaciones-del-aprendizaje-automatico-en-biologia\/\" title=\"Leer m\u00e1s\">Leer m\u00e1s<\/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\/es\/aplicaciones-del-aprendizaje-automatico-en-biologia\/\" \/>\n<meta property=\"og:locale\" content=\"es_ES\" \/>\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\/es\/aplicaciones-del-aprendizaje-automatico-en-biologia\/\" \/>\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=\"Escrito por\" \/>\n\t<meta name=\"twitter:data1\" content=\"Ragothaman Yennamalli\" \/>\n\t<meta name=\"twitter:label2\" content=\"Tiempo de lectura\" \/>\n\t<meta name=\"twitter:data2\" content=\"10 minutos\" \/>\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\/es\/aplicaciones-del-aprendizaje-automatico-en-biologia\/","og_locale":"es_ES","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\/es\/aplicaciones-del-aprendizaje-automatico-en-biologia\/","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":{"Escrito por":"Ragothaman Yennamalli","Tiempo de lectura":"10 minutos"},"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":"es","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":"es","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":"es"},{"@type":"Organization","@id":"https:\/\/www.kolabtree.com\/blog\/#organization","name":"Kolabtree","url":"https:\/\/www.kolabtree.com\/blog\/","logo":{"@type":"ImageObject","inLanguage":"es","@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":"es","@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\/es\/author\/ragothaman\/"}]}},"amp_enabled":true,"_links":{"self":[{"href":"https:\/\/www.kolabtree.com\/blog\/es\/wp-json\/wp\/v2\/posts\/2986"}],"collection":[{"href":"https:\/\/www.kolabtree.com\/blog\/es\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.kolabtree.com\/blog\/es\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.kolabtree.com\/blog\/es\/wp-json\/wp\/v2\/users\/26"}],"replies":[{"embeddable":true,"href":"https:\/\/www.kolabtree.com\/blog\/es\/wp-json\/wp\/v2\/comments?post=2986"}],"version-history":[{"count":25,"href":"https:\/\/www.kolabtree.com\/blog\/es\/wp-json\/wp\/v2\/posts\/2986\/revisions"}],"predecessor-version":[{"id":10463,"href":"https:\/\/www.kolabtree.com\/blog\/es\/wp-json\/wp\/v2\/posts\/2986\/revisions\/10463"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.kolabtree.com\/blog\/es\/wp-json\/wp\/v2\/media\/5410"}],"wp:attachment":[{"href":"https:\/\/www.kolabtree.com\/blog\/es\/wp-json\/wp\/v2\/media?parent=2986"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.kolabtree.com\/blog\/es\/wp-json\/wp\/v2\/categories?post=2986"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.kolabtree.com\/blog\/es\/wp-json\/wp\/v2\/tags?post=2986"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}