{"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\/it\/applications-of-machine-learning-in-biology\/","title":{"rendered":"Le applicazioni dell'apprendimento automatico in biologia"},"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\">Indice dei contenuti<\/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-69f19e180f748\" 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-69f19e180f748\"><\/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\/it\/applications-of-machine-learning-in-biology\/#What_is_machine_learning\" title=\"Cos&#039;\u00e8 l&#039;apprendimento automatico?\">Cos'\u00e8 l'apprendimento automatico?<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-2\" href=\"https:\/\/www.kolabtree.com\/blog\/it\/applications-of-machine-learning-in-biology\/#Applications_of_Machine_Learning_in_Biology\" title=\"Applicazioni dell&#039;apprendimento automatico in biologia\">Applicazioni dell'apprendimento automatico in biologia<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-3\" href=\"https:\/\/www.kolabtree.com\/blog\/it\/applications-of-machine-learning-in-biology\/#Machine_Learning_Tools_used_in_Biology\" title=\"Strumenti di apprendimento automatico utilizzati in biologia\">Strumenti di apprendimento automatico utilizzati in biologia<\/a><\/li><\/ul><\/nav><\/div>\n<p><strong>L'apprendimento automatico ha diverse applicazioni in diversi campi, che vanno dalla sanit\u00e0 all'elaborazione del linguaggio naturale. Il dottor Ragothanam Yennamalli, biologo computazionale e libero professionista di Kolabtree, esamina le applicazioni dell'IA e <a href=\"https:\/\/www.kolabtree.com\/find-an-expert\/subject\/machine-learning?utm_source=Blog&amp;utm_medium=Post&amp;campaign=MLBiology\">apprendimento automatico<\/a> in biologia.\u00a0<\/strong><\/p>\n<p>Machine Learning and <a href=\"https:\/\/www.kolabtree.com\/blog\/it\/ensuring-reproducibility-in-ai-driven-research-how-freelance-experts-can-help-in-biotech-and-healthcare\/\">Intelligenza artificiale<\/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\/\">assistenza sanitaria<\/a> e biotecnologia.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"What_is_machine_learning\"><\/span>Cos'\u00e8 l'apprendimento automatico?<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p><a href=\"https:\/\/blog.kolabtree.com\/understanding-scope-of-machine-learning-and-its-applications\/\">Apprendimento automatico<\/a> e la statistica sono strettamente legate. La ragione \u00e8 che i metodi utilizzati nella maggior parte degli approcci di apprendimento automatico hanno origini dalla statistica come l'analisi di regressione. <strong>Mentre ci sono molte applicazioni per i metodi di apprendimento automatico, le loro applicazioni ai dati biologici dagli ultimi 30 anni circa sono state nella predizione dei geni, annotazione funzionale, biologia dei sistemi, analisi dei dati microarray, analisi dei percorsi, ecc.<\/strong><\/p>\n<p>I pattern sono ci\u00f2 che una macchina cerca di identificare in un dato dato dato, usando il quale cerca di identificare un pattern simile in un altro insieme di dati. I processi di apprendimento automatico sono abbastanza simili alla modellazione predittiva e al data mining. Cercano i dati per identificare i modelli e modificare l'azione del programma, di conseguenza.<\/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>Siamo consapevoli dell'apprendimento automatico e dell'IA attraverso gli strumenti di shopping online, dal momento che vengono suggerite alcune raccomandazioni relative al nostro acquisto. Questo accade perch\u00e9 i motori di raccomandazione lavorano sull'apprendimento automatico. L'apprendimento automatico ha anche altre applicazioni come il filtraggio dello spam, il rilevamento delle minacce alla sicurezza, il rilevamento delle frodi e la personalizzazione dei feed di notizie.<\/p>\n<p>L'apprendimento automatico \u00e8 principalmente categorizzato in tre tipi: apprendimento supervisionato, apprendimento non supervisionato e apprendimento di rinforzo.<\/p>\n<p><strong>Apprendimento supervisionato: <\/strong>Gli algoritmi di apprendimento automatico supervisionato richiedono assistenza esterna. L'assistenza esterna \u00e8 di solito attraverso un esperto umano che fornisce un input curato per l'output desiderato per prevedere la precisione nell'addestramento dell'algoritmo. L'esperto o lo scienziato dei dati determina le caratteristiche o i modelli che il modello utilizzerebbe. Una volta che l'addestramento \u00e8 completato, allora pu\u00f2 essere applicato per testare altri dati per la previsione e la classificazione. \u00c8 supervisionato perch\u00e9 l'algoritmo impara dal set di dati di formazione, come un insegnante che supervisiona il processo di apprendimento di uno studente.<\/p>\n<p>Inoltre, l'apprendimento supervisionato \u00e8 diviso in due categorie, classificazione e regressione. Nella classificazione, la variabile di uscita \u00e8 categorizzata in classi come 'rosso' o 'verde' o 'malattia' o 'non malattia'. Nella regressione, la variabile di uscita \u00e8 un valore reale come \"dollari\" o \"peso\".<\/p>\n<p>Quindi, nei classificatori supervisionati viene fornito un set di allenamento per addestrare la macchina e questa viene valutata con un set di test. La cosa pi\u00f9 importante in questi classificatori \u00e8 come si va a costruire un set di allenamento. Nella maggior parte dei casi, avere un set di allenamento di alta qualit\u00e0 fa o rompe l'apprendimento della macchina. Si dovrebbe anche considerare i dati negativi che vengono forniti come parte del set di allenamento. A volte, diventa difficile identificare un buon set di dati negativi.<\/p>\n<p><em>Per esempio, se volessi sviluppare\/addestrare una macchina per predire se due proteine interagiscono (interazioni Proteina-Proteina o PPI) o meno; avrei bisogno di un set positivo di sequenze\/strutture proteiche che hanno dimostrato di interagire fisicamente (come la cristallografia a raggi X, dati NMR) e avrei bisogno di un set negativo di sequenze\/strutture proteiche che sono note per funzionare senza interagire con un partner. In questo caso, l'insieme negativo \u00e8 relativamente grande rispetto all'insieme positivo, poich\u00e9 i dati di PPI noti sono significativamente inferiori rispetto al proteoma di un organismo. Quindi, sono necessari dati analizzati criticamente e questo richiede tempo.<\/em><\/p>\n<p><strong>Apprendimento non supervisionato:<\/strong> Negli algoritmi di apprendimento non supervisionato non \u00e8 richiesta alcuna assistenza esterna. Il programma del computer cerca automaticamente la caratteristica o il modello dai dati e li raggruppa in cluster. Quando introduciamo nuovi dati per la previsione, allora usa le caratteristiche precedentemente apprese per classificare i dati. Questo metodo \u00e8 molto utile nell'era dei grandi dati perch\u00e9 richiede un'enorme quantit\u00e0 di dati di allenamento. \u00c8 chiamato apprendimento non supervisionato perch\u00e9 non c'\u00e8 nessun insegnante o supervisione coinvolta.<\/p>\n<p>L'apprendimento non supervisionato \u00e8 ulteriormente classificato in tre classi come il clustering, il clustering gerarchico e il modello di miscela gaussiana. Nel metodo di clustering, si scopre la relazione tra tipi simili di dati e si raggruppa in cluster. Nel clustering gerarchico, i dati sono raggruppati sulla base di piccoli cluster da alcune misure di somiglianza. Poi, sulla base di alcuni parametri simili i sotto-cluster sono raggruppati di nuovo. Nel modello di miscela gaussiana, ogni componente della miscela presenta un cluster unico.<\/p>\n<p><strong>Apprendimento per rinforzo:\u00a0<\/strong>Nell'apprendimento per rinforzo la decisione viene presa sulla base delle azioni intraprese che danno un risultato pi\u00f9 positivo. L'allievo non sa quale azione intraprendere, pu\u00f2 decidere eseguendo le azioni e vedendo i risultati. Quindi, questo apprendimento dipende da prove ed errori [5].<\/p>\n<p>L'implementazione pi\u00f9 promettente del machine learning e dell'intelligenza artificiale \u00e8 nella medicina personalizzata e nella medicina di precisione. Negli ultimi anni, molte startup si sono concentrate su questo e hanno sviluppato pipeline. Vale la pena aspettare per vedere se questi si traducono in prodotti che beneficiano l'uomo comune nel lungo periodo.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Applications_of_Machine_Learning_in_Biology\"><\/span>Applicazioni dell'apprendimento automatico in biologia<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p><strong>Identificare le regioni di codifica dei geni<br \/>\n<\/strong>Nell'area della genomica, il sequenziamento di prossima generazione ha rapidamente avanzato il campo sequenziando un genoma in breve tempo. Cos\u00ec, un'area attiva di apprendimento automatico viene applicata per identificare le regioni di codifica dei geni in un genoma. Tali strumenti di predizione dei geni che coinvolgono l'apprendimento automatico sarebbero pi\u00f9 sensibili delle tipiche ricerche di sequenze basate sugli omologhi.<\/p>\n<p><strong>Previsione della struttura<\/strong><br \/>\nNella proteomica, abbiamo toccato la PPI in precedenza. Ma, l'uso dell'apprendimento automatico nella previsione della struttura ha spinto l'accuratezza da 70% a pi\u00f9 di 80%. L'uso dell'apprendimento automatico nel text-mining \u00e8 abbastanza promettente con l'uso di set di allenamento per identificare nuovi o nuovi obiettivi di farmaci da pi\u00f9 articoli di giornale e la ricerca di database secondari.<\/p>\n<p><strong>Reti neurali<\/strong><br \/>\nL'apprendimento profondo \u00e8 un sottocampo pi\u00f9 recente dell'apprendimento automatico che \u00e8 l'estensione della rete neurale. Nell'apprendimento profondo \"profondo\" si riferisce al numero di strati attraverso i quali i dati vengono trasformati. Quindi, l'apprendimento profondo \u00e8 simile alla rete neurale con pi\u00f9 strati. Questi nodi multistrato cercano di imitare il modo in cui il cervello umano pensa per risolvere i problemi. Le reti neurali sono gi\u00e0 utilizzate dall'apprendimento automatico. Gli algoritmi di apprendimento automatico basati sulle reti neurali hanno bisogno di dati raffinati o significativi da set di dati grezzi per eseguire l'analisi. Ma l'aumento dei dati del sequenziamento del genoma ha reso difficile elaborare informazioni significative e poi eseguire l'analisi. Gli strati multipli della rete neurale filtrano le informazioni e le comunicano ad ogni strato e permettono di raffinare l'uscita.<\/p>\n<p>Gli algoritmi di apprendimento profondo estraggono le caratteristiche da grandi set di dati come un gruppo di immagini o genomi e sviluppano un modello sulla base delle caratteristiche estratte. Una volta che il modello \u00e8 sviluppato, gli algoritmi possono utilizzare il modello sviluppato per eseguire l'analisi di altri set di dati. T<strong>Oggi, gli scienziati utilizzano algoritmi di deep learning per eseguire la classificazione delle immagini cellulari, l'analisi del genoma, la scoperta di farmaci e anche scoprire come i dati delle immagini e del genoma sono collegati alle cartelle cliniche elettroniche.<\/strong> Oggi l'apprendimento profondo \u00e8 un campo attivo nella biologia computazionale. L'apprendimento profondo \u00e8 applicato ai dati biologici ad alta produttivit\u00e0 che aiutano a capire meglio il set di dati ad alta dimensione. In biologia computazionale, l'apprendimento profondo \u00e8 usato nella genomica normativa per l'identificazione delle varianti normative, l'effetto della mutazione usando la sequenza di DNA, analizzando cellule intere, popolazioni di cellule e tessuti [11].<\/p>\n<p><strong>AI nella sanit\u00e0<\/strong><br \/>\nL'apprendimento automatico e l'IA sono ampiamente utilizzati da ospedali e fornitori di servizi sanitari per migliorare la soddisfazione dei pazienti, fornire trattamenti personalizzati, fare previsioni accurate e migliorare la qualit\u00e0 della vita. Viene anche utilizzato per rendere le sperimentazioni cliniche pi\u00f9 efficienti e contribuire ad accelerare il processo di scoperta e consegna dei farmaci.<\/p>\n<p>Per citare il lavoro di Google che impiega\u00a0<a href=\"https:\/\/blog.kolabtree.com\/the-future-of-artificial-intelligence-in-healthcare\/\">AI nei dati sanitari<\/a> [17, 18]\n<blockquote><p>I medici sono gi\u00e0 sommersi da avvisi e richieste di attenzione - i modelli potrebbero aiutare i medici con compiti noiosi e amministrativi in modo che possano concentrarsi meglio sul paziente di fronte a loro o su quelli che hanno bisogno di ulteriore attenzione? Possiamo aiutare i pazienti a ottenere un'assistenza di alta qualit\u00e0 indipendentemente da dove la cercano?<\/p><\/blockquote>\n<p>E dal punto di vista del paziente<\/p>\n<blockquote><p>Quando potr\u00f2 tornare a casa? Guarir\u00f2? Dovr\u00f2 tornare in ospedale?<\/p><\/blockquote>\n<h2><span class=\"ez-toc-section\" id=\"Machine_Learning_Tools_used_in_Biology\"><\/span>Strumenti di apprendimento automatico utilizzati in biologia<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p><strong>Profilatore di cellule<\/strong>: Pochi anni fa, il software per l'analisi delle immagini biologiche misurava solo un singolo parametro da un gruppo di immagini. Come, nel 2005, un biologo computazionale, Anne Carpenter del MIT e Harvard ha rilasciato un software chiamato <a href=\"https:\/\/cellprofiler.org\/\">CellProfiler<\/a> per la misurazione di caratteristiche quantitativamente individuali come il numero di cellule fluorescenti nel campo della microscopia. Ma, attualmente CellProfiler pu\u00f2 produrre migliaia di caratteristiche implementando tecniche di apprendimento profondo.<\/p>\n<p><strong>DeepVariant<\/strong>: L'applicazione del deep learning \u00e8 ampiamente utilizzata negli strumenti per l'estrazione dei dati del genoma. <a href=\"https:\/\/verily.com\">Scienza della vita Verily<\/a> e Google ha sviluppato uno strumento basato sull'apprendimento profondo chiamato <a href=\"https:\/\/github.com\/google\/deepvariant\">DeepVariant<\/a> che predice un tipo comune di variazione genetica in modo pi\u00f9 accurato rispetto agli strumenti convenzionali.<\/p>\n<p><strong>Atomwise<\/strong>: Un altro campo \u00e8 la scoperta della droga in cui l'apprendimento profondo contribuisce significativamente. Una societ\u00e0 biotecnologica con sede a San Francisco chiamata <a href=\"https:\/\/www.atomwise.com\/\">Atomwise<\/a> ha sviluppato un algoritmo che aiuta a convertire le molecole in pixel 3D. Questa rappresentazione aiuta a rappresentare la struttura 3D delle proteine e delle piccole molecole con precisione atomica. Quindi, utilizzando queste caratteristiche, l'algoritmo pu\u00f2 predire le piccole molecole che possono interagire con una data proteina [12].<\/p>\n<p>Esistono diversi tipi di metodi di apprendimento profondo come la rete neurale profonda (DNN), la rete neurale ricorrente (RNN), la rete neurale di convoluzione (CNN), il deep autoencoder (DA), la deep Boltzman machine (DBM), la deep belief network (DBN) e la deep residual network (DRN) ecc. Nel campo della biologia alcuni metodi come DNN, RNN, CNN, DA e DBM sono i metodi pi\u00f9 comunemente usati [13]. La traduzione dei dati biologici per eseguire la convalida dei biomarcatori che rivelano lo stato di malattia \u00e8 un compito chiave in biomedicina. La DNN gioca un ruolo significativo nell'identificazione di potenziali biomarcatori dai dati del genoma e del proteoma. L'apprendimento profondo gioca anche un ruolo importante nella scoperta di farmaci [14].<\/p>\n<p>CNN \u00e8 stato utilizzato lo strumento computazionale DeepCpG recentemente sviluppato per prevedere gli stati di metilazione del DNA in singole cellule. Nella metilazione del DNA, i gruppi metilici sono associati alla molecola di DNA e alterano le funzioni della molecola di DNA senza causare alcun cambiamento nella sequenza. DeepCpG \u00e8 stato utilizzato anche per la predizione di motivi noti che sono responsabili della variabilit\u00e0 della metilazione. DeepCpG ha predetto risultati pi\u00f9 accurati rispetto ad altri metodi quando la valutazione ha utilizzato cinque diversi tipi di dati di metilazione. La metilazione del DNA \u00e8 un marcatore epigenetico pi\u00f9 ampiamente studiato [15].<\/p>\n<p><strong>TensorFlow<\/strong> \u00e8 un framework di apprendimento profondo sviluppato dai ricercatori di Google. TensorFlow \u00e8 un software sviluppato di recente che accelera la progettazione e l'addestramento DNN. \u00c8 implementato in diversi miglioramenti come la visualizzazione grafica e la complicazione del tempo. Il miglioramento principale di TensorFlow \u00e8 che, \u00e8 disponibile con strumenti di supporto chiamati TensorBoard utilizzati per la visualizzazione dei progressi di formazione del modello. Pu\u00f2 fornire la visualizzazione di un modello complesso [16].<\/p>\n<p>In conclusione, l'IA e l'apprendimento automatico stanno cambiando il modo in cui i biologi svolgono la ricerca, la interpretano e la applicano per risolvere i problemi. Poich\u00e9 la scienza diventa sempre pi\u00f9 interdisciplinare, \u00e8 inevitabile che la biologia continui a prendere in prestito dall'apprendimento automatico, o meglio, che l'apprendimento automatico faccia strada.<\/p>\n<p><strong>Necessit\u00e0 di assumere un <a href=\"https:\/\/www.kolabtree.com\/find-an-expert\/subject\/machine-learning?utm_source=Blog&amp;utm_medium=Post&amp;campaign=MLBiology\">consulente di apprendimento automatico<\/a> per un progetto? Consulta gli esperti freelance su Kolabtree. Pubblicare il tuo progetto e ricevere preventivi \u00e8 gratuito!<\/strong><\/p>\n<p><em>Riconoscimento:<\/em> L'autore desidera ringraziare il signor Arvind Yadav per l'assistenza in questo post del blog.<\/p>\n<p><em>Riferimenti e ulteriori letture:<\/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 rassegna sulle tecniche di apprendimento automatico.\u00a0<em>Rivista internazionale sulle tendenze recenti e innovative nell'informatica e nella comunicazione<\/em>,\u00a0<em>4<\/em>(3), 395-399.<\/li>\n<li>Jordan, M. I., &amp; Mitchell, T. M. (2015). Apprendimento automatico: Tendenze, prospettive e prospettive.\u00a0<em>Scienza<\/em>,\u00a0<em>349<\/em>(6245), 255-260.<\/li>\n<li>Praveena, M., &amp; Jaiganesh, V. (2017). Una revisione della letteratura sugli algoritmi di apprendimento automatico supervisionato e sul processo di boosting.\u00a0<em>Rivista internazionale di applicazioni informatiche<\/em>,\u00a0<em>169<\/em>(8), 32-35.<\/li>\n<li>Forsberg, F., &amp; Alvarez Gonzalez, P. (2018). Apprendimento automatico non supervisionato: An Investigation of Clustering Algorithms on a Small Dataset.<\/li>\n<li>Gosavi, A. (2009). Apprendimento per rinforzo: Un'indagine tutorial e progressi recenti.\u00a0<em>INFORMS Journal on Computing<\/em>,\u00a0<em>21<\/em>(2), 178-192.<\/li>\n<li>Angermueller, C., P\u00e4rnamaa, T., Parti, L., &amp; Stegle, O. (2016). Apprendimento profondo per la biologia computazionale.\u00a0<em>Biologia dei sistemi molecolari<\/em>,\u00a0<em>12<\/em>(7), 878.<\/li>\n<li>Webb, S. (2018). Apprendimento profondo per la biologia. Nature. 2018 554(7693):555-557.<\/li>\n<li>Mahmud, M., Kaiser, M. S., Hussain, A., &amp; Vassanelli, S. (2018). Applicazioni del deep learning e del reinforcement learning ai dati biologici.\u00a0<em>IEEE transactions on neural networks and learning systems<\/em>,\u00a0<em>29<\/em>(6), 2063-2079.<\/li>\n<li>Mamoshina, P., Vieira, A., Putin, E., &amp; Zhavoronkov, A. (2016). Applicazioni del deep learning in biomedicina.\u00a0<em>Farmaceutica molecolare<\/em>,\u00a0<em>13<\/em>(5), 1445-1454.<\/li>\n<li>Angermueller, C., Lee, H. J., Reik, W., &amp; Stegle, O. (2017). DeepCpG: previsione accurata degli stati di metilazione del DNA di una singola cellula utilizzando l'apprendimento profondo.\u00a0<em>Biologia del genoma<\/em>,\u00a0<em>18<\/em>(1), 67.<\/li>\n<li>Rampasek, L., &amp; Goldenberg, A. (2016). Tensorflow: La porta d'accesso della biologia all'apprendimento profondo?\u00a0<em>Sistemi cellulari<\/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) \"Apprendimento profondo scalabile e accurato con le cartelle cliniche elettroniche<em>\", npj Medicina Digitale<\/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\/it\/applications-of-machine-learning-in-biology\/\" title=\"Per saperne di pi\u00f9\">Per saperne di pi\u00f9<\/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\/it\/applications-of-machine-learning-in-biology\/\" \/>\n<meta property=\"og:locale\" content=\"it_IT\" \/>\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\/it\/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=\"Scritto da\" \/>\n\t<meta name=\"twitter:data1\" content=\"Ragothaman Yennamalli\" \/>\n\t<meta name=\"twitter:label2\" content=\"Tempo di lettura stimato\" \/>\n\t<meta name=\"twitter:data2\" content=\"10 minuti\" \/>\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\/it\/applications-of-machine-learning-in-biology\/","og_locale":"it_IT","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\/it\/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":{"Scritto da":"Ragothaman Yennamalli","Tempo di lettura stimato":"10 minuti"},"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":"it-IT","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":"it-IT","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":"it-IT"},{"@type":"Organization","@id":"https:\/\/www.kolabtree.com\/blog\/#organization","name":"Kolabtree","url":"https:\/\/www.kolabtree.com\/blog\/","logo":{"@type":"ImageObject","inLanguage":"it-IT","@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":"it-IT","@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\/it\/author\/ragothaman\/"}]}},"amp_enabled":true,"_links":{"self":[{"href":"https:\/\/www.kolabtree.com\/blog\/it\/wp-json\/wp\/v2\/posts\/2986"}],"collection":[{"href":"https:\/\/www.kolabtree.com\/blog\/it\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.kolabtree.com\/blog\/it\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.kolabtree.com\/blog\/it\/wp-json\/wp\/v2\/users\/26"}],"replies":[{"embeddable":true,"href":"https:\/\/www.kolabtree.com\/blog\/it\/wp-json\/wp\/v2\/comments?post=2986"}],"version-history":[{"count":25,"href":"https:\/\/www.kolabtree.com\/blog\/it\/wp-json\/wp\/v2\/posts\/2986\/revisions"}],"predecessor-version":[{"id":10463,"href":"https:\/\/www.kolabtree.com\/blog\/it\/wp-json\/wp\/v2\/posts\/2986\/revisions\/10463"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.kolabtree.com\/blog\/it\/wp-json\/wp\/v2\/media\/5410"}],"wp:attachment":[{"href":"https:\/\/www.kolabtree.com\/blog\/it\/wp-json\/wp\/v2\/media?parent=2986"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.kolabtree.com\/blog\/it\/wp-json\/wp\/v2\/categories?post=2986"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.kolabtree.com\/blog\/it\/wp-json\/wp\/v2\/tags?post=2986"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}