{"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\/fr\/applications-of-machine-learning-in-biology\/","title":{"rendered":"Les applications de l'apprentissage automatique en 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\">Table des mati\u00e8res<\/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-69f18ba83a218\" aria-label=\"Table des mati\u00e8res\"><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-69f18ba83a218\"><\/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\/fr\/applications-of-machine-learning-in-biology\/#What_is_machine_learning\" title=\"Qu&#039;est-ce que l&#039;apprentissage automatique ?\">Qu'est-ce que l'apprentissage automatique ?<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-2\" href=\"https:\/\/www.kolabtree.com\/blog\/fr\/applications-of-machine-learning-in-biology\/#Applications_of_Machine_Learning_in_Biology\" title=\"Applications de l&#039;apprentissage automatique en biologie\">Applications de l'apprentissage automatique en biologie<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-3\" href=\"https:\/\/www.kolabtree.com\/blog\/fr\/applications-of-machine-learning-in-biology\/#Machine_Learning_Tools_used_in_Biology\" title=\"Outils d&#039;apprentissage automatique utilis\u00e9s en biologie\">Outils d'apprentissage automatique utilis\u00e9s en biologie<\/a><\/li><\/ul><\/nav><\/div>\n<p><strong>L'apprentissage automatique a plusieurs applications dans divers domaines, allant de la sant\u00e9 au traitement du langage naturel. Le Dr Ragothanam Yennamalli, biologiste informatique et collaborateur ind\u00e9pendant de Kolabtree, examine les applications de l'IA et de l'apprentissage automatique. <a href=\"https:\/\/www.kolabtree.com\/find-an-expert\/subject\/machine-learning?utm_source=Blog&amp;utm_medium=Post&amp;campaign=MLBiology\">apprentissage machine<\/a> en biologie.\u00a0<\/strong><\/p>\n<p>Machine Learning and <a href=\"https:\/\/www.kolabtree.com\/blog\/fr\/ensuring-reproducibility-in-ai-driven-research-how-freelance-experts-can-help-in-biotech-and-healthcare\/\">Intelligence artificielle<\/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\/\">soins de sant\u00e9<\/a> et la biotechnologie.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"What_is_machine_learning\"><\/span>Qu'est-ce que l'apprentissage automatique ?<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p><a href=\"https:\/\/blog.kolabtree.com\/understanding-scope-of-machine-learning-and-its-applications\/\">Apprentissage automatique<\/a> et les statistiques sont \u00e9troitement li\u00e9es. La raison en est que les m\u00e9thodes utilis\u00e9es dans la plupart des approches d'apprentissage automatique sont issues des statistiques, comme l'analyse de r\u00e9gression. <strong>Les m\u00e9thodes d'apprentissage automatique ont de nombreuses applications, mais depuis une trentaine d'ann\u00e9es, leurs applications aux donn\u00e9es biologiques concernent la pr\u00e9diction des g\u00e8nes, l'annotation fonctionnelle, la biologie des syst\u00e8mes, l'analyse des donn\u00e9es des biopuces, l'analyse des voies, etc.<\/strong><\/p>\n<p>Les mod\u00e8les sont ce qu'une machine essaie d'identifier dans des donn\u00e9es donn\u00e9es donn\u00e9es, en utilisant lesquelles elle essaie d'identifier un mod\u00e8le similaire dans un autre ensemble de donn\u00e9es. Les processus d'apprentissage automatique sont assez similaires \u00e0 la mod\u00e9lisation pr\u00e9dictive et \u00e0 l'exploration de donn\u00e9es. Ils recherchent des donn\u00e9es pour identifier des mod\u00e8les et modifier l'action du programme en cons\u00e9quence.<\/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>Nous connaissons l'apprentissage automatique et l'IA gr\u00e2ce aux outils d'achat en ligne, puisque certaines recommandations sont sugg\u00e9r\u00e9es en rapport avec notre achat. Cela se produit parce que les moteurs de recommandation fonctionnent sur l'apprentissage automatique. L'apprentissage automatique a \u00e9galement d'autres applications, comme le filtrage des spams, la d\u00e9tection des menaces pour la s\u00e9curit\u00e9, la d\u00e9tection des fraudes et la personnalisation des flux d'informations.<\/p>\n<p>L'apprentissage automatique est principalement class\u00e9 en trois cat\u00e9gories : l'apprentissage supervis\u00e9, l'apprentissage non supervis\u00e9 et l'apprentissage par renforcement.<\/p>\n<p><strong>Apprentissage supervis\u00e9 : <\/strong>Les algorithmes d'apprentissage automatique supervis\u00e9s n\u00e9cessitent une assistance externe. L'assistance externe se fait g\u00e9n\u00e9ralement par le biais d'un expert humain qui fournit des donn\u00e9es curatives pour la sortie souhait\u00e9e afin de pr\u00e9dire la pr\u00e9cision de l'apprentissage des algorithmes. L'expert ou le scientifique des donn\u00e9es d\u00e9termine les caract\u00e9ristiques ou les mod\u00e8les que le mod\u00e8le doit utiliser. Une fois la formation termin\u00e9e, le mod\u00e8le peut \u00eatre appliqu\u00e9 au test d'autres donn\u00e9es pour la pr\u00e9diction et la classification. Il s'agit d'une m\u00e9thode supervis\u00e9e car l'algorithme apprend \u00e0 partir de l'ensemble de donn\u00e9es d'entra\u00eenement, comme un enseignant qui supervise le processus d'apprentissage d'un \u00e9l\u00e8ve.<\/p>\n<p>En outre, l'apprentissage supervis\u00e9 se divise en deux cat\u00e9gories : la classification et la r\u00e9gression. Dans la classification, la variable de sortie est class\u00e9e dans des classes telles que \"rouge\" ou \"vert\" ou \"maladie\" ou \"non-maladie\". Dans la r\u00e9gression, la variable de sortie est une valeur r\u00e9elle telle que \"dollars\" ou \"poids\".<\/p>\n<p>Ainsi, dans les classifieurs supervis\u00e9s, un ensemble d'apprentissage est fourni pour former la machine et celle-ci est \u00e9valu\u00e9e avec un ensemble de test. Le plus important dans ces classifieurs est la fa\u00e7on dont on construit un ensemble d'apprentissage. Dans la plupart des cas, le fait de disposer d'un ensemble d'apprentissage de haute qualit\u00e9 fait ou d\u00e9fait l'apprentissage automatique. Il faut \u00e9galement tenir compte des donn\u00e9es n\u00e9gatives qui sont fournies dans le cadre de l'ensemble d'apprentissage. Parfois, il est difficile d'identifier un bon ensemble de donn\u00e9es n\u00e9gatives.<\/p>\n<p><em>Par exemple, si je voulais d\u00e9velopper\/entra\u00eener une machine pour pr\u00e9dire si deux prot\u00e9ines interagissent (interactions prot\u00e9ine-prot\u00e9ine ou IPP) ou non, j'aurais besoin d'un ensemble positif de s\u00e9quences\/structures de prot\u00e9ines dont l'interaction physique a \u00e9t\u00e9 prouv\u00e9e (comme la cristallographie aux rayons X, les donn\u00e9es RMN) et j'aurais besoin d'un ensemble n\u00e9gatif de s\u00e9quences\/structures de prot\u00e9ines dont on sait qu'elles fonctionnent sans interagir avec un partenaire. Dans ce cas, l'ensemble n\u00e9gatif est relativement important par rapport \u00e0 l'ensemble positif, puisque les donn\u00e9es des PPI connues sont nettement moins nombreuses que le prot\u00e9ome d'un organisme. Il est donc n\u00e9cessaire de proc\u00e9der \u00e0 une analyse critique des donn\u00e9es, ce qui prend du temps.<\/em><\/p>\n<p><strong>Apprentissage non supervis\u00e9 :<\/strong> Dans les algorithmes d'apprentissage non supervis\u00e9, aucune assistance externe n'est requise. Le programme informatique recherche automatiquement la caract\u00e9ristique ou le mod\u00e8le des donn\u00e9es et les regroupe en groupes. Lorsque nous introduisons de nouvelles donn\u00e9es pour la pr\u00e9diction, il utilise les caract\u00e9ristiques apprises pr\u00e9c\u00e9demment pour classer les donn\u00e9es. Cette m\u00e9thode est tr\u00e8s utile \u00e0 l'\u00e8re du big data car elle n\u00e9cessite une grande quantit\u00e9 de donn\u00e9es de formation. Elle est appel\u00e9e apprentissage non supervis\u00e9 parce qu'il n'y a pas d'enseignant ou de supervision impliqu\u00e9s.<\/p>\n<p>L'apprentissage non supervis\u00e9 est ensuite class\u00e9 en trois cat\u00e9gories : le clustering, le clustering hi\u00e9rarchique et le mod\u00e8le de m\u00e9lange gaussien. Dans la m\u00e9thode de clustering, on d\u00e9couvre la relation entre des donn\u00e9es similaires et on les regroupe en clusters. Dans le clustering hi\u00e9rarchique, les donn\u00e9es sont regroup\u00e9es sur la base de petits clusters par une certaine mesure de similarit\u00e9. Ensuite, sur la base de certains param\u00e8tres similaires, les sous-clusters sont \u00e0 nouveau regroup\u00e9s. Dans le mod\u00e8le de m\u00e9lange gaussien, chaque composant du m\u00e9lange pr\u00e9sente un cluster unique.<\/p>\n<p><strong>Apprentissage par renforcement :\u00a0<\/strong>Dans l'apprentissage par renforcement, la d\u00e9cision est prise sur la base des actions entreprises qui donnent des r\u00e9sultats plus positifs. L'apprenant ne sait pas quelle action prendre, il peut d\u00e9cider en effectuant des actions et en voyant les r\u00e9sultats. Ainsi, cet apprentissage d\u00e9pend des essais et des erreurs [5].<\/p>\n<p>La mise en \u0153uvre la plus prometteuse de l'apprentissage automatique et de l'intelligence artificielle concerne la m\u00e9decine personnalis\u00e9e et la m\u00e9decine de pr\u00e9cision. Ces derni\u00e8res ann\u00e9es, de nombreuses startups se sont concentr\u00e9es sur ce sujet et ont d\u00e9velopp\u00e9 des pipelines. Il vaut la peine d'attendre pour voir si ceux-ci se traduisent par des produits de base qui b\u00e9n\u00e9ficient au commun des mortels \u00e0 long terme.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Applications_of_Machine_Learning_in_Biology\"><\/span>Applications de l'apprentissage automatique en biologie<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p><strong>Identification des r\u00e9gions codantes des g\u00e8nes<br \/>\n<\/strong>Dans le domaine de la g\u00e9nomique, le s\u00e9quen\u00e7age de nouvelle g\u00e9n\u00e9ration a fait progresser rapidement le domaine en s\u00e9quen\u00e7ant un g\u00e9nome en peu de temps. Ainsi, un domaine actif de l'apprentissage automatique est appliqu\u00e9 \u00e0 l'identification des r\u00e9gions de codage des g\u00e8nes dans un g\u00e9nome. Ces outils de pr\u00e9diction des g\u00e8nes, qui font appel \u00e0 l'apprentissage automatique, seraient plus sensibles que les recherches typiques de s\u00e9quences bas\u00e9es sur les homologues.<\/p>\n<p><strong>Pr\u00e9diction de la structure<\/strong><br \/>\nEn prot\u00e9omique, nous avons d\u00e9j\u00e0 abord\u00e9 la question des IPP. Mais l'utilisation de l'apprentissage automatique dans la pr\u00e9diction des structures a fait passer la pr\u00e9cision de 70% \u00e0 plus de 80%. L'utilisation de l'apprentissage automatique dans l'exploration de textes est assez prometteuse, avec l'utilisation d'ensembles d'entra\u00eenement pour identifier des cibles m\u00e9dicamenteuses nouvelles ou in\u00e9dites \u00e0 partir de plusieurs articles de journaux et la recherche de bases de donn\u00e9es secondaires.<\/p>\n<p><strong>R\u00e9seaux neuronaux<\/strong><br \/>\nL'apprentissage profond est un sous-domaine plus r\u00e9cent de l'apprentissage automatique qui est l'extension du r\u00e9seau neuronal. Dans l'apprentissage profond, le terme \"profond\" fait r\u00e9f\u00e9rence au nombre de couches par lesquelles les donn\u00e9es sont transform\u00e9es. Ainsi, l'apprentissage profond est similaire \u00e0 un r\u00e9seau neuronal \u00e0 plusieurs couches. Ces n\u0153uds multicouches tentent d'imiter la fa\u00e7on dont le cerveau humain pense pour r\u00e9soudre les probl\u00e8mes. Les r\u00e9seaux neuronaux sont d\u00e9j\u00e0 utilis\u00e9s par l'apprentissage automatique. Les algorithmes d'apprentissage automatique bas\u00e9s sur les r\u00e9seaux neuronaux ont besoin de donn\u00e9es raffin\u00e9es ou significatives \u00e0 partir d'ensembles de donn\u00e9es brutes pour effectuer l'analyse. Mais l'augmentation des donn\u00e9es issues du s\u00e9quen\u00e7age du g\u00e9nome a rendu difficile le traitement d'informations significatives, puis l'analyse. Les couches multiples d'un r\u00e9seau neuronal filtrent les informations et les communiquent \u00e0 chaque couche, ce qui permet d'affiner le r\u00e9sultat.<\/p>\n<p>Les algorithmes d'apprentissage profond extraient des caract\u00e9ristiques de grands ensembles de donn\u00e9es comme un groupe d'images ou des g\u00e9nomes et d\u00e9veloppent un mod\u00e8le sur la base des caract\u00e9ristiques extraites. Une fois le mod\u00e8le d\u00e9velopp\u00e9, les algorithmes peuvent l'utiliser pour analyser d'autres ensembles de donn\u00e9es. T<strong>ujourd'hui, les scientifiques utilisent des algorithmes d'apprentissage profond pour effectuer la classification d'images cellulaires, l'analyse du g\u00e9nome, la d\u00e9couverte de m\u00e9dicaments et aussi pour d\u00e9couvrir comment les donn\u00e9es d'image et de g\u00e9nome sont li\u00e9es aux dossiers m\u00e9dicaux \u00e9lectroniques.<\/strong> Aujourd'hui, l'apprentissage profond est un domaine actif de la biologie computationnelle. L'apprentissage profond est appliqu\u00e9 aux donn\u00e9es biologiques \u00e0 haut d\u00e9bit, ce qui permet de mieux comprendre les ensembles de donn\u00e9es \u00e0 haute dimension. En biologie computationnelle, l'apprentissage profond est utilis\u00e9 en g\u00e9nomique r\u00e9gulatrice pour l'identification de variantes r\u00e9gulatrices, l'effet de la mutation en utilisant la s\u00e9quence d'ADN, l'analyse de cellules enti\u00e8res, de populations de cellules et de tissus [11].<\/p>\n<p><strong>L'IA dans les soins de sant\u00e9<\/strong><br \/>\nL'apprentissage automatique et l'IA sont largement utilis\u00e9s par les h\u00f4pitaux et les prestataires de services de sant\u00e9 pour am\u00e9liorer la satisfaction des patients, fournir des traitements personnalis\u00e9s, faire des pr\u00e9dictions pr\u00e9cises et am\u00e9liorer la qualit\u00e9 de vie. Elles sont \u00e9galement utilis\u00e9es pour rendre les essais cliniques plus efficaces et contribuer \u00e0 acc\u00e9l\u00e9rer le processus de d\u00e9couverte et d'administration des m\u00e9dicaments.<\/p>\n<p>Pour citer le travail de Google qui emploie\u00a0<a href=\"https:\/\/blog.kolabtree.com\/the-future-of-artificial-intelligence-in-healthcare\/\">L'IA dans les donn\u00e9es de sant\u00e9<\/a> [17, 18]\n<blockquote><p>Les m\u00e9decins sont d\u00e9j\u00e0 inond\u00e9s d'alertes et de demandes d'attention - les mod\u00e8les pourraient-ils aider les m\u00e9decins \u00e0 accomplir des t\u00e2ches administratives fastidieuses afin qu'ils puissent mieux se concentrer sur le patient qui se trouve devant eux ou sur ceux qui n\u00e9cessitent une attention particuli\u00e8re ? Pouvons-nous aider les patients \u00e0 obtenir des soins de haute qualit\u00e9, quel que soit l'endroit o\u00f9 ils les cherchent ?<\/p><\/blockquote>\n<p>Et du point de vue du patient<\/p>\n<blockquote><p>Quand pourrai-je rentrer chez moi ? Est-ce que je vais aller mieux ? Devrai-je revenir \u00e0 l'h\u00f4pital ?<\/p><\/blockquote>\n<h2><span class=\"ez-toc-section\" id=\"Machine_Learning_Tools_used_in_Biology\"><\/span>Outils d'apprentissage automatique utilis\u00e9s en biologie<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p><strong>Profileur de cellules<\/strong>: Il y a quelques ann\u00e9es, les logiciels d'analyse d'images biologiques ne mesuraient qu'un seul param\u00e8tre \u00e0 partir d'un groupe d'images. En 2005, une biologiste informaticienne, Anne Carpenter du MIT et de Harvard, a publi\u00e9 un logiciel appel\u00e9 <a href=\"https:\/\/cellprofiler.org\/\">CellProfiler<\/a> pour la mesure de caract\u00e9ristiques quantitatives individuelles telles que le nombre de cellules fluorescentes dans le domaine de la microscopie. Mais, actuellement, CellProfiler peut produire des milliers de caract\u00e9ristiques en mettant en \u0153uvre des techniques d'apprentissage profond.<\/p>\n<p><strong>DeepVariant<\/strong>: L'application de l'apprentissage profond est largement utilis\u00e9e dans les outils d'exploration des donn\u00e9es du g\u00e9nome. <a href=\"https:\/\/verily.com\">Verily life science<\/a> et Google ont d\u00e9velopp\u00e9 un outil bas\u00e9 sur l'apprentissage profond appel\u00e9 <a href=\"https:\/\/github.com\/google\/deepvariant\">DeepVariant<\/a> qui pr\u00e9dit un type commun de variation g\u00e9n\u00e9tique avec plus de pr\u00e9cision que les outils conventionnels.<\/p>\n<p><strong>Atomwise<\/strong>: La d\u00e9couverte de m\u00e9dicaments est un autre domaine dans lequel l'apprentissage profond contribue de mani\u00e8re significative. Une soci\u00e9t\u00e9 de biotechnologie bas\u00e9e \u00e0 San Francisco, appel\u00e9e <a href=\"https:\/\/www.atomwise.com\/\">Atomwise<\/a> a d\u00e9velopp\u00e9 un algorithme qui permet de convertir les mol\u00e9cules en pixels 3D. Cette repr\u00e9sentation permet de rendre compte de la structure 3D des prot\u00e9ines et des petites mol\u00e9cules avec une pr\u00e9cision atomique. Ensuite, en utilisant ces caract\u00e9ristiques, l'algorithme peut pr\u00e9dire les petites mol\u00e9cules qui peuvent interagir avec une prot\u00e9ine donn\u00e9e [12].<\/p>\n<p>Il existe diff\u00e9rents types de m\u00e9thodes d'apprentissage profond, comme le r\u00e9seau neuronal profond (DNN), le r\u00e9seau neuronal r\u00e9current (RNN), le r\u00e9seau neuronal \u00e0 convolution (CNN), l'autoencodeur profond (DA), la machine de Boltzman profonde (DBM), le r\u00e9seau de croyance profond (DBN) et le r\u00e9seau r\u00e9siduel profond (DRN), etc. Dans le domaine de la biologie, certaines m\u00e9thodes telles que DNN, RNN, CNN, DA et DBM sont les plus couramment utilis\u00e9es [13]. La traduction des donn\u00e9es biologiques pour effectuer la validation des biomarqueurs qui r\u00e9v\u00e8lent l'\u00e9tat de la maladie est une t\u00e2che essentielle en biom\u00e9decine. Le DNN joue un r\u00f4le important dans l'identification de biomarqueurs potentiels \u00e0 partir des donn\u00e9es du g\u00e9nome et du prot\u00e9ome. L'apprentissage profond joue \u00e9galement un r\u00f4le important dans la d\u00e9couverte de m\u00e9dicaments [14].<\/p>\n<p>CNN a \u00e9t\u00e9 utilis\u00e9 l'outil de calcul DeepCpG r\u00e9cemment d\u00e9velopp\u00e9 pour pr\u00e9dire les \u00e9tats de m\u00e9thylation de l'ADN dans les cellules individuelles. Dans la m\u00e9thylation de l'ADN, les groupes m\u00e9thyles sont associ\u00e9s \u00e0 la mol\u00e9cule d'ADN et modifient les fonctions de la mol\u00e9cule d'ADN sans provoquer de changements dans la s\u00e9quence. DeepCpG a \u00e9galement \u00e9t\u00e9 utilis\u00e9 pour la pr\u00e9diction des motifs connus qui sont responsables de la variabilit\u00e9 de la m\u00e9thylation. DeepCpG a pr\u00e9dit des r\u00e9sultats plus pr\u00e9cis en comparaison avec d'autres m\u00e9thodes lors de l'\u00e9valuation utilisant cinq types diff\u00e9rents de donn\u00e9es de m\u00e9thylation. La m\u00e9thylation de l'ADN est un marqueur \u00e9pig\u00e9n\u00e9tique tr\u00e8s largement \u00e9tudi\u00e9 [15].<\/p>\n<p><strong>TensorFlow<\/strong> est un cadre d'apprentissage profond d\u00e9velopp\u00e9 par les chercheurs de Google. TensorFlow est un logiciel r\u00e9cemment d\u00e9velopp\u00e9 qui acc\u00e9l\u00e8re la conception et l'entra\u00eenement des DNN. Il est mis en \u0153uvre dans plusieurs am\u00e9liorations comme la visualisation graphique et la complication du temps. La principale am\u00e9lioration de TensorFlow est qu'il est disponible avec des outils de soutien appel\u00e9s TensorBoard utilis\u00e9s pour la visualisation de la progression de la formation du mod\u00e8le. Il peut fournir la visualisation d'un mod\u00e8le complexe [16].<\/p>\n<p>En conclusion, l'IA et l'apprentissage automatique changent la fa\u00e7on dont les biologistes m\u00e8nent leurs recherches, les interpr\u00e8tent et les appliquent pour r\u00e9soudre des probl\u00e8mes. La science devenant de plus en plus interdisciplinaire, il est in\u00e9vitable que la biologie continue \u00e0 emprunter \u00e0 l'apprentissage automatique ou, mieux encore, que l'apprentissage automatique ouvre la voie.<\/p>\n<p><strong>Besoin d'engager un <a href=\"https:\/\/www.kolabtree.com\/find-an-expert\/subject\/machine-learning?utm_source=Blog&amp;utm_medium=Post&amp;campaign=MLBiology\">consultant en apprentissage machine<\/a> pour un projet ? Consultez des experts freelance sur Kolabtree. C'est gratuit de poster votre projet et d'obtenir des devis !<\/strong><\/p>\n<p><em>Remerciements :<\/em> L'auteur tient \u00e0 remercier M. Arvind Yadav pour son aide dans la r\u00e9daction de cet article.<\/p>\n<p><em>R\u00e9f\u00e9rences et lectures compl\u00e9mentaires :<\/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). Une revue sur les techniques d'apprentissage automatique.\u00a0<em>International Journal on Recent and Innovation Trends in Computing and Communication (Journal international sur les tendances r\u00e9centes et innovantes en informatique et en communication)<\/em>,\u00a0<em>4<\/em>(3), 395-399.<\/li>\n<li>Jordan, M. I., &amp; Mitchell, T. M. (2015). Machine learning : Tendances, perspectives et perspectives.\u00a0<em>Science<\/em>,\u00a0<em>349<\/em>(6245), 255-260.<\/li>\n<li>Praveena, M., &amp; Jaiganesh, V. (2017). Une revue de la litt\u00e9rature sur les algorithmes d'apprentissage automatique supervis\u00e9 et le processus de boosting.\u00a0<em>Journal international des applications informatiques<\/em>,\u00a0<em>169<\/em>(8), 32-35.<\/li>\n<li>Forsberg, F., &amp; Alvarez Gonzalez, P. (2018). Apprentissage automatique non supervis\u00e9 : Une enqu\u00eate sur les algorithmes de clustering sur un petit ensemble de donn\u00e9es.<\/li>\n<li>Gosavi, A. (2009). Reinforcement learning : A tutorial survey and recent advances.\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). L'apprentissage profond pour la biologie computationnelle.\u00a0<em>Biologie des syst\u00e8mes mol\u00e9culaires<\/em>,\u00a0<em>12<\/em>(7), 878.<\/li>\n<li>Webb, S. (2018). L'apprentissage profond pour la biologie. Nature. 2018 554(7693):555-557.<\/li>\n<li>Mahmud, M., Kaiser, M. S., Hussain, A. et Vassanelli, S. (2018). Applications de l'apprentissage profond et de l'apprentissage par renforcement aux donn\u00e9es biologiques.\u00a0<em>IEEE transactions sur les r\u00e9seaux neuronaux et les syst\u00e8mes d'apprentissage<\/em>,\u00a0<em>29<\/em>(6), 2063-2079.<\/li>\n<li>Mamoshina, P., Vieira, A., Putin, E. et Zhavoronkov, A. (2016). Applications de l'apprentissage profond en biom\u00e9decine.\u00a0<em>Pharmacie mol\u00e9culaire<\/em>,\u00a0<em>13<\/em>(5), 1445-1454.<\/li>\n<li>Angermueller, C., Lee, H. J., Reik, W. et Stegle, O. (2017). DeepCpG : pr\u00e9diction pr\u00e9cise des \u00e9tats de m\u00e9thylation de l'ADN \u00e0 l'\u00e9chelle de la cellule unique \u00e0 l'aide de l'apprentissage profond.\u00a0<em>Biologie du g\u00e9nome<\/em>,\u00a0<em>18<\/em>(1), 67.<\/li>\n<li>Rampasek, L., &amp; Goldenberg, A. (2016). Tensorflow : La passerelle de la biologie vers l'apprentissage profond ?\u00a0<em>Syst\u00e8mes cellulaires<\/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) \"Scalable and accurate deep learning with electronic health records\".<em>\", npj Digital Medicine<\/em>, 1(1)<\/li>\n<\/ol>","protected":false},"excerpt":{"rendered":"<p>L'apprentissage automatique a plusieurs applications dans divers domaines, allant de la sant\u00e9 au traitement du langage naturel. Le Dr Ragothanam Yennamalli, biologiste informatique et pigiste de Kolabtree, examine les applications de l'IA et de l'apprentissage automatique en biologie.  Apprentissage automatique et intelligence artificielle - ces technologies ont pris d'assaut le monde et ont chang\u00e9 notre fa\u00e7on de travailler et de vivre.<\/p>\n<div class=\"read-more\"><a href=\"https:\/\/www.kolabtree.com\/blog\/fr\/applications-of-machine-learning-in-biology\/\" title=\"Lire la suite\">Lire la suite<\/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\/fr\/applications-of-machine-learning-in-biology\/\" \/>\n<meta property=\"og:locale\" content=\"fr_FR\" \/>\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\/fr\/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=\"\u00c9crit par\" \/>\n\t<meta name=\"twitter:data1\" content=\"Ragothaman Yennamalli\" \/>\n\t<meta name=\"twitter:label2\" content=\"Dur\u00e9e de lecture estim\u00e9e\" \/>\n\t<meta name=\"twitter:data2\" content=\"10 minutes\" \/>\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\/fr\/applications-of-machine-learning-in-biology\/","og_locale":"fr_FR","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\/fr\/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":{"\u00c9crit par":"Ragothaman Yennamalli","Dur\u00e9e de lecture estim\u00e9e":"10 minutes"},"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":"fr-FR","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":"fr-FR","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":"fr-FR"},{"@type":"Organization","@id":"https:\/\/www.kolabtree.com\/blog\/#organization","name":"Kolabtree","url":"https:\/\/www.kolabtree.com\/blog\/","logo":{"@type":"ImageObject","inLanguage":"fr-FR","@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":"fr-FR","@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\/fr\/author\/ragothaman\/"}]}},"amp_enabled":true,"_links":{"self":[{"href":"https:\/\/www.kolabtree.com\/blog\/fr\/wp-json\/wp\/v2\/posts\/2986"}],"collection":[{"href":"https:\/\/www.kolabtree.com\/blog\/fr\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.kolabtree.com\/blog\/fr\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.kolabtree.com\/blog\/fr\/wp-json\/wp\/v2\/users\/26"}],"replies":[{"embeddable":true,"href":"https:\/\/www.kolabtree.com\/blog\/fr\/wp-json\/wp\/v2\/comments?post=2986"}],"version-history":[{"count":25,"href":"https:\/\/www.kolabtree.com\/blog\/fr\/wp-json\/wp\/v2\/posts\/2986\/revisions"}],"predecessor-version":[{"id":10463,"href":"https:\/\/www.kolabtree.com\/blog\/fr\/wp-json\/wp\/v2\/posts\/2986\/revisions\/10463"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.kolabtree.com\/blog\/fr\/wp-json\/wp\/v2\/media\/5410"}],"wp:attachment":[{"href":"https:\/\/www.kolabtree.com\/blog\/fr\/wp-json\/wp\/v2\/media?parent=2986"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.kolabtree.com\/blog\/fr\/wp-json\/wp\/v2\/categories?post=2986"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.kolabtree.com\/blog\/fr\/wp-json\/wp\/v2\/tags?post=2986"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}