{"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\/pt\/applications-of-machine-learning-in-biology\/","title":{"rendered":"As aplica\u00e7\u00f5es da aprendizagem de m\u00e1quinas em 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\">Tabela de Conte\u00fados<\/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-69f19e0dacfb6\" 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-69f19e0dacfb6\"><\/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\/pt\/applications-of-machine-learning-in-biology\/#What_is_machine_learning\" title=\"O que \u00e9 aprendizado de m\u00e1quina?\">O que \u00e9 aprendizado de m\u00e1quina?<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-2\" href=\"https:\/\/www.kolabtree.com\/blog\/pt\/applications-of-machine-learning-in-biology\/#Applications_of_Machine_Learning_in_Biology\" title=\"Aplica\u00e7\u00f5es da aprendizagem de m\u00e1quinas em biologia\">Aplica\u00e7\u00f5es da aprendizagem de m\u00e1quinas em biologia<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-3\" href=\"https:\/\/www.kolabtree.com\/blog\/pt\/applications-of-machine-learning-in-biology\/#Machine_Learning_Tools_used_in_Biology\" title=\"Ferramentas de aprendizagem de m\u00e1quinas utilizadas em Biologia\">Ferramentas de aprendizagem de m\u00e1quinas utilizadas em Biologia<\/a><\/li><\/ul><\/nav><\/div>\n<p><strong>O aprendizado de m\u00e1quinas tem v\u00e1rias aplica\u00e7\u00f5es em diversos campos, desde a sa\u00fade at\u00e9 o processamento de linguagem natural. O Dr. Ragothanam Yennamalli, um bi\u00f3logo computacional e freelancer Kolabtree, examina as aplica\u00e7\u00f5es da IA e <a href=\"https:\/\/www.kolabtree.com\/find-an-expert\/subject\/machine-learning?utm_source=Blog&amp;utm_medium=Post&amp;campaign=MLBiology\">aprendizagem de m\u00e1quinas<\/a> em biologia.\u00a0<\/strong><\/p>\n<p>Machine Learning and <a href=\"https:\/\/www.kolabtree.com\/blog\/pt\/ensuring-reproducibility-in-ai-driven-research-how-freelance-experts-can-help-in-biotech-and-healthcare\/\">Intelig\u00eancia 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\/\">sa\u00fade<\/a> e biotecnologia.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"What_is_machine_learning\"><\/span>O que \u00e9 aprendizado de m\u00e1quina?<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p><a href=\"https:\/\/blog.kolabtree.com\/understanding-scope-of-machine-learning-and-its-applications\/\">Aprendizagem da m\u00e1quina<\/a> e as estat\u00edsticas est\u00e3o intimamente ligadas. A raz\u00e3o \u00e9 que os m\u00e9todos usados na maioria das abordagens de aprendizagem de m\u00e1quinas t\u00eam origem em estat\u00edsticas, como a an\u00e1lise de regress\u00e3o. <strong>Embora existam muitas aplica\u00e7\u00f5es para m\u00e9todos de aprendizagem de m\u00e1quinas, suas aplica\u00e7\u00f5es para dados biol\u00f3gicos desde os \u00faltimos 30 anos, mais ou menos, t\u00eam sido na previs\u00e3o gen\u00e9tica, anota\u00e7\u00e3o funcional, biologia de sistemas, an\u00e1lise de dados de microarranjos, an\u00e1lise de caminhos, etc.<\/strong><\/p>\n<p>Padr\u00f5es \u00e9 o que uma m\u00e1quina tenta identificar em um determinado dado, usando o qual ela tenta identificar um padr\u00e3o similar em outro conjunto de dados. Os processos de aprendizagem da m\u00e1quina s\u00e3o bastante semelhantes \u00e0 modelagem preditiva e \u00e0 minera\u00e7\u00e3o de dados. Eles buscam dados para identificar padr\u00f5es e alterar a a\u00e7\u00e3o do programa, de acordo com isso.<\/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>Estamos cientes da aprendizagem da m\u00e1quina e da IA atrav\u00e9s de ferramentas de compras on-line, uma vez que algumas recomenda\u00e7\u00f5es s\u00e3o sugeridas relacionadas \u00e0 nossa compra. Isto acontece porque os motores de recomenda\u00e7\u00e3o funcionam na aprendizagem de m\u00e1quinas. O aprendizado de m\u00e1quinas tamb\u00e9m tem outras aplica\u00e7\u00f5es, como filtragem de spam, detec\u00e7\u00e3o de amea\u00e7as \u00e0 seguran\u00e7a, detec\u00e7\u00e3o de fraudes e personaliza\u00e7\u00e3o de feeds de not\u00edcias.<\/p>\n<p>O aprendizado de m\u00e1quinas \u00e9 categorizado em tr\u00eas tipos: aprendizado supervisionado, aprendizado n\u00e3o supervisionado e aprendizado de refor\u00e7o.<\/p>\n<p><strong>Aprendizagem supervisionada: <\/strong>Algoritmos de aprendizagem supervisionada da m\u00e1quina requerem assist\u00eancia externa. A assist\u00eancia externa \u00e9 geralmente atrav\u00e9s de um especialista humano que fornece a entrada curada para a sa\u00edda desejada para prever a precis\u00e3o no treinamento de algoritmos. O especialista ou cientista de dados determina as caracter\u00edsticas ou padr\u00f5es que o modelo utilizaria. Uma vez conclu\u00eddo o treinamento, ent\u00e3o ele pode ser aplicado para testar outros dados para a previs\u00e3o e classifica\u00e7\u00e3o. Ele \u00e9 supervisionado porque o algoritmo aprende com o conjunto de dados do treinamento, semelhante a um professor que supervisiona o processo de aprendizagem de um estudante.<\/p>\n<p>Al\u00e9m disso, o aprendizado supervisionado \u00e9 dividido em duas categorias, classifica\u00e7\u00e3o e regress\u00e3o. Na classifica\u00e7\u00e3o, a vari\u00e1vel de sa\u00edda \u00e9 categorizada em classes como \"vermelho\" ou \"verde\" ou \"doen\u00e7a\" ou \"n\u00e3o-doen\u00e7a\". Na regress\u00e3o, a vari\u00e1vel de sa\u00edda \u00e9 um valor real, tal como \"d\u00f3lares\" ou \"peso\".<\/p>\n<p>Assim, nos classificadores supervisionados \u00e9 fornecido um conjunto de treinamento para treinar a m\u00e1quina e este \u00e9 avaliado com um conjunto de testes. O mais importante nestes classificadores \u00e9 como se faz para construir um conjunto de treinamento. Na maioria dos casos, ter um conjunto de treinamento de alta qualidade faz ou quebra o aprendizado da m\u00e1quina. Deve-se considerar tamb\u00e9m os dados negativos que s\u00e3o fornecidos como parte do conjunto de treinamento. s vezes, torna-se dif\u00edcil identificar um bom conjunto de dados negativos.<\/p>\n<p><em>Por exemplo, se eu quisesse desenvolver\/treinar uma m\u00e1quina para prever se duas prote\u00ednas interagem ou n\u00e3o (intera\u00e7\u00f5es Prote\u00edna-Prote\u00edna ou PPI); eu exigiria um conjunto positivo de seq\u00fc\u00eancias\/estruturas proteicas que comprovadamente interagem fisicamente (tais como cristalografia de raios X, dados NMR) e exigiria um conjunto negativo de seq\u00fc\u00eancias\/estruturas proteicas que s\u00e3o conhecidas por funcionar sem interagir com um parceiro. Neste caso, o conjunto negativo \u00e9 relativamente grande em compara\u00e7\u00e3o com o conjunto positivo, uma vez que os dados de PPI conhecidos s\u00e3o significativamente menores em compara\u00e7\u00e3o com o proteoma de um organismo. Portanto, dados analisados criticamente s\u00e3o necess\u00e1rios e isso leva tempo.<\/em><\/p>\n<p><strong>Aprendizagem sem supervis\u00e3o:<\/strong> Em algoritmos de aprendizagem sem supervis\u00e3o, n\u00e3o \u00e9 necess\u00e1ria assist\u00eancia externa. O programa de computador busca automaticamente a caracter\u00edstica ou padr\u00e3o dos dados e os agrupa em clusters. Quando introduzimos novos dados para a previs\u00e3o, ent\u00e3o ele usa recursos aprendidos anteriormente para classificar os dados. Este m\u00e9todo \u00e9 muito \u00fatil na era dos grandes dados, pois requer uma enorme quantidade de dados de treinamento. \u00c9 chamado de aprendizagem n\u00e3o supervisionada porque n\u00e3o h\u00e1 professor ou supervis\u00e3o envolvida.<\/p>\n<p>O aprendizado n\u00e3o supervisionado \u00e9 ainda classificado em tr\u00eas classes, tais como agrupamento, agrupamento hier\u00e1rquico e modelo de mistura Gaussiano. No m\u00e9todo de agrupamento, descobre-se a rela\u00e7\u00e3o entre tipos de dados semelhantes e agrupa-se em clusters. No agrupamento hier\u00e1rquico, os dados s\u00e3o agrupados com base em pequenos clusters por alguma medida de similaridade. Em seguida, com base em alguns subgrupos de par\u00e2metros similares, os dados s\u00e3o agrupados novamente. No modelo de mistura Gaussiano, cada componente de mistura apresenta um cluster \u00fanico.<\/p>\n<p><strong>Refor\u00e7o da aprendizagem:\u00a0<\/strong>No refor\u00e7o da aprendizagem, a decis\u00e3o \u00e9 tomada com base em a\u00e7\u00f5es tomadas que d\u00e3o um resultado mais positivo. O aprendiz n\u00e3o tem conhecimento de qual a\u00e7\u00e3o tomar, ele pode decidir executando a\u00e7\u00f5es e vendo os resultados. Portanto, este aprendizado depende da tentativa e do erro [5].<\/p>\n<p>A implementa\u00e7\u00e3o mais promissora da aprendizagem de m\u00e1quinas e da intelig\u00eancia artificial est\u00e1 na medicina personalizada e na medicina de precis\u00e3o. Nos \u00faltimos anos, muitos startups se concentraram nisto e desenvolveram tubula\u00e7\u00f5es. Vale a pena esperar para ver se estes se traduzem em mercadorias que beneficiam o homem comum no longo prazo.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Applications_of_Machine_Learning_in_Biology\"><\/span>Aplica\u00e7\u00f5es da aprendizagem de m\u00e1quinas em biologia<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p><strong>Identifica\u00e7\u00e3o de regi\u00f5es codificadoras de genes<br \/>\n<\/strong>Na \u00e1rea da gen\u00f4mica, o seq\u00fcenciamento da pr\u00f3xima gera\u00e7\u00e3o avan\u00e7ou rapidamente no campo ao seq\u00fcenciar um genoma em um curto espa\u00e7o de tempo. Assim, um aprendizado de m\u00e1quina de \u00e1rea ativa \u00e9 aplicado para identificar regi\u00f5es codificadoras de genes em um genoma. Tais ferramentas de predi\u00e7\u00e3o de genes que envolvem o aprendizado de m\u00e1quinas seriam mais sens\u00edveis do que as t\u00edpicas buscas de seq\u00fc\u00eancias baseadas em hom\u00f3logos.<\/p>\n<p><strong>Previs\u00e3o de estrutura<\/strong><br \/>\nEm prote\u00f4mica, abordamos a PPI anteriormente. Mas, o uso da aprendizagem de m\u00e1quinas na predi\u00e7\u00e3o de estruturas elevou a precis\u00e3o de 70% para mais de 80%. O uso da aprendizagem de m\u00e1quinas na minera\u00e7\u00e3o de texto \u00e9 bastante promissor com o uso de conjuntos de treinamento para identificar alvos novos ou novos de medicamentos a partir de m\u00faltiplos artigos de peri\u00f3dicos e pesquisas em bancos de dados secund\u00e1rios.<\/p>\n<p><strong>Redes neurais<\/strong><br \/>\nO aprendizado profundo \u00e9 um subcampo mais recente de aprendizado de m\u00e1quinas que \u00e9 a extens\u00e3o da rede neural. No aprendizado profundo, \"profundo\" refere-se ao n\u00famero de camadas atrav\u00e9s das quais os dados s\u00e3o transformados. Portanto, a aprendizagem profunda \u00e9 semelhante \u00e0 rede neural com multicamadas. Estes n\u00f3s de multicamadas tentam imitar como o c\u00e9rebro humano pensa para resolver os problemas. As redes neurais j\u00e1 s\u00e3o usadas pela aprendizagem de m\u00e1quinas. Os algoritmos de aprendizagem de m\u00e1quinas baseados em redes neurais precisam de dados refinados ou significativos de conjuntos de dados brutos para realizar an\u00e1lises. Mas o aumento dos dados de seq\u00fcenciamento gen\u00e9tico dificultou o processamento de informa\u00e7\u00f5es significativas e, em seguida, a realiza\u00e7\u00e3o da an\u00e1lise. As v\u00e1rias camadas da rede neural filtram as informa\u00e7\u00f5es e comunicam-se a cada camada e permitem refinar a sa\u00edda.<\/p>\n<p>Algoritmos de aprendizado profundo extraem caracter\u00edsticas de grandes conjuntos de dados como um grupo de imagens ou genomas e desenvolvem um modelo com base nas caracter\u00edsticas extra\u00eddas. Uma vez desenvolvido o modelo, ent\u00e3o os algoritmos podem usar o modelo desenvolvido para realizar an\u00e1lises de outros conjuntos de dados. T<strong>o dia, os cientistas utilizam algoritmos de aprendizado profundo para realizar a classifica\u00e7\u00e3o de imagens celulares, an\u00e1lise de genoma, descoberta de drogas e tamb\u00e9m descobrir como os dados de imagem e os dados de genoma est\u00e3o ligados aos registros m\u00e9dicos eletr\u00f4nicos.<\/strong> Agora o aprendizado profundo do dia \u00e9 um campo ativo na biologia computacional. O aprendizado profundo aplicado em dados biol\u00f3gicos de alto rendimento que ajudam a subestimar melhor o conjunto de dados de alta dimens\u00e3o. Em biologia computacional, o aprendizado profundo \u00e9 usado em gen\u00f4mica regulat\u00f3ria para a identifica\u00e7\u00e3o de variantes regulat\u00f3rias, efeito da muta\u00e7\u00e3o usando seq\u00fc\u00eancia de DNA, an\u00e1lise de c\u00e9lulas inteiras, popula\u00e7\u00e3o de c\u00e9lulas e tecidos [11].<\/p>\n<p><strong>IA na sa\u00fade<\/strong><br \/>\nO aprendizado de m\u00e1quinas e IA est\u00e3o sendo amplamente utilizados por hospitais e prestadores de servi\u00e7os de sa\u00fade para melhorar a satisfa\u00e7\u00e3o do paciente, entregar tratamentos personalizados, fazer previs\u00f5es precisas e melhorar a qualidade de vida. Tamb\u00e9m est\u00e1 sendo usada para tornar os testes cl\u00ednicos mais eficientes e ajudar a acelerar o processo de descoberta e entrega de medicamentos.<\/p>\n<p>Para citar o trabalho do Google empregando\u00a0<a href=\"https:\/\/blog.kolabtree.com\/the-future-of-artificial-intelligence-in-healthcare\/\">IA em dados de sa\u00fade<\/a> [17, 18]\n<blockquote><p>Os m\u00e9dicos j\u00e1 est\u00e3o inundados de alertas e exig\u00eancias sobre sua aten\u00e7\u00e3o - poderiam os modelos ajudar os m\u00e9dicos com tarefas tediosas e administrativas para que eles possam se concentrar melhor no paciente \u00e0 sua frente ou aqueles que precisam de aten\u00e7\u00e3o extra? Podemos ajudar os pacientes a obter atendimento de alta qualidade, n\u00e3o importa onde eles o procurem?<\/p><\/blockquote>\n<p>E do ponto de vista do paciente<\/p>\n<blockquote><p>Quando poderei ir para casa? Eu poderei melhorar? Terei que voltar para o hospital?<\/p><\/blockquote>\n<h2><span class=\"ez-toc-section\" id=\"Machine_Learning_Tools_used_in_Biology\"><\/span>Ferramentas de aprendizagem de m\u00e1quinas utilizadas em Biologia<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p><strong>Perfilador de c\u00e9lulas<\/strong>: H\u00e1 poucos anos, o software para an\u00e1lise de imagens biol\u00f3gicas media apenas um \u00fanico par\u00e2metro a partir de um grupo de imagens. Como, em 2005, uma bi\u00f3loga computacional, Anne Carpenter do MIT e Harvard lan\u00e7ou um software chamado <a href=\"https:\/\/cellprofiler.org\/\">CellProfiler<\/a> para a medi\u00e7\u00e3o de caracter\u00edsticas quantitativamente individuais como n\u00famero de c\u00e9lulas fluorescentes no campo de microscopia. Mas, atualmente, o CellProfiler pode produzir milhares de caracter\u00edsticas atrav\u00e9s da implementa\u00e7\u00e3o de t\u00e9cnicas de aprendizado profundo.<\/p>\n<p><strong>DeepVariant<\/strong>: A aplica\u00e7\u00e3o do aprendizado profundo \u00e9 amplamente utilizada em ferramentas para minera\u00e7\u00e3o de dados gen\u00f4micos. <a href=\"https:\/\/verily.com\">Verdadeiramente ci\u00eancia da vida<\/a> e o Google desenvolveu uma ferramenta baseada no aprendizado profundo chamada <a href=\"https:\/\/github.com\/google\/deepvariant\">DeepVariant<\/a> que prev\u00ea um tipo comum de varia\u00e7\u00e3o gen\u00e9tica com mais precis\u00e3o em compara\u00e7\u00e3o com as ferramentas convencionais.<\/p>\n<p><strong>Atomwise<\/strong>: Outro campo \u00e9 o da descoberta de drogas, no qual o aprendizado profundo contribui significativamente. Uma empresa de biotecnologia sediada em S\u00e3o Francisco chamada <a href=\"https:\/\/www.atomwise.com\/\">Atomwise<\/a> desenvolveu um algoritmo que ajuda a converter mol\u00e9culas em pixels 3D. Esta representa\u00e7\u00e3o ajuda a contabilizar a estrutura 3D de prote\u00ednas e pequenas mol\u00e9culas com precis\u00e3o at\u00f4mica. Ent\u00e3o, usando estas caracter\u00edsticas, o algoritmo pode prever pequenas mol\u00e9culas que possivelmente interagem com determinada prote\u00edna [12].<\/p>\n<p>Existem diferentes tipos de m\u00e9todos de aprendizagem profunda, tais como rede neural profunda (DNN), rede neural recorrente (RNN), rede neural de convolu\u00e7\u00e3o (CNN), autocodificador profundo (DA), m\u00e1quina Boltzman profunda (DBM), rede de cren\u00e7a profunda (DBN) e rede residual profunda (DRN), etc. No campo da biologia, alguns m\u00e9todos como, DNN, RNN, CNN, DA e DBM s\u00e3o m\u00e9todos mais comumente utilizados [13]. A tradu\u00e7\u00e3o de dados biol\u00f3gicos para realizar a valida\u00e7\u00e3o de biomarcadores que revelam o estado da doen\u00e7a \u00e9 uma tarefa-chave na biomedicina. O DNN desempenha um papel significativo na identifica\u00e7\u00e3o de biomarcadores potenciais a partir de dados do genoma e do proteoma. O aprendizado profundo tamb\u00e9m tem um papel importante na descoberta de medicamentos [14].<\/p>\n<p>A CNN tem sido usada recentemente a ferramenta computacional DeepCpG desenvolvida para prever estados de metila\u00e7\u00e3o do DNA em c\u00e9lulas \u00fanicas. Na metila\u00e7\u00e3o do DNA, grupos de metil associados \u00e0 mol\u00e9cula de DNA e alteram as fun\u00e7\u00f5es da mol\u00e9cula de DNA, causando quaisquer mudan\u00e7as na seq\u00fc\u00eancia. DeepCpG tamb\u00e9m \u00e9 utilizado para a previs\u00e3o de motivos conhecidos respons\u00e1veis pela variabilidade da metila\u00e7\u00e3o. DeepCpG previu resultados mais precisos em compara\u00e7\u00e3o com outros m\u00e9todos quando da avalia\u00e7\u00e3o utilizando cinco tipos diferentes de dados de metila\u00e7\u00e3o. A metila\u00e7\u00e3o do DNA \u00e9 um marcador epigen\u00e9tico mais amplamente estudado [15].<\/p>\n<p><strong>TensorFlow<\/strong> \u00e9 uma estrutura de aprendizagem profunda desenvolvida por pesquisadores do Google. O TensorFlow \u00e9 um software recentemente desenvolvido que acelera o projeto e o treinamento de DNN. Ele \u00e9 implementado em v\u00e1rias melhorias como visualiza\u00e7\u00e3o gr\u00e1fica e complica\u00e7\u00e3o de tempo. A principal melhoria do TensorFlow \u00e9 que, ele est\u00e1 dispon\u00edvel com ferramentas de apoio chamadas TensorBoard, usadas para visualiza\u00e7\u00e3o do progresso do treinamento do modelo. Ele pode proporcionar a visualiza\u00e7\u00e3o de um modelo complexo [16].<\/p>\n<p>Em conclus\u00e3o, a IA e a aprendizagem de m\u00e1quinas est\u00e3o mudando a maneira como os bi\u00f3logos realizam pesquisas, as interpretam e as aplicam para resolver problemas. \u00c0 medida que a ci\u00eancia cresce cada vez mais interdisciplinarmente, \u00e9 inevit\u00e1vel que a biologia continue a tomar emprestado do aprendizado de m\u00e1quinas, ou melhor ainda, o aprendizado de m\u00e1quinas ir\u00e1 liderar o caminho.<\/p>\n<p><strong>Necessidade de contratar um <a href=\"https:\/\/www.kolabtree.com\/find-an-expert\/subject\/machine-learning?utm_source=Blog&amp;utm_medium=Post&amp;campaign=MLBiology\">consultor de aprendizagem de m\u00e1quinas<\/a> para um projeto? Consulte os especialistas freelance sobre Kolabtree. \u00c9 gr\u00e1tis para publicar seu projeto e receber or\u00e7amentos!<\/strong><\/p>\n<p><em>Agradecimento:<\/em> O autor gostaria de agradecer ao Sr. Arvind Yadav por ajudar neste post do blog.<\/p>\n<p><em>Refer\u00eancias e Leituras Adicionais:<\/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). Uma revis\u00e3o sobre t\u00e9cnicas de aprendizagem de m\u00e1quinas.\u00a0<em>International Journal on Recent and Innovation Trends in Computing and Communication (Revista Internacional sobre Tend\u00eancias Recentes e de Inova\u00e7\u00e3o em Computa\u00e7\u00e3o e Comunica\u00e7\u00e3o)<\/em>,\u00a0<em>4<\/em>(3), 395-399.<\/li>\n<li>Jordan, M. I., &amp; Mitchell, T. M. (2015). Aprendizado de m\u00e1quinas: Tend\u00eancias, perspectivas, e perspectivas.\u00a0<em>Ci\u00eancia<\/em>,\u00a0<em>349<\/em>(6245), 255-260.<\/li>\n<li>Praveena, M., &amp; Jaiganesh, V. (2017). Uma revis\u00e3o bibliogr\u00e1fica sobre algoritmos de aprendizagem supervisionada de m\u00e1quinas e processo de impulsionamento.\u00a0<em>Jornal Internacional de Aplica\u00e7\u00f5es Inform\u00e1ticas<\/em>,\u00a0<em>169<\/em>(8), 32-35.<\/li>\n<li>Forsberg, F., &amp; Alvarez Gonzalez, P. (2018). Aprendizagem sem supervis\u00e3o da m\u00e1quina: Uma Investiga\u00e7\u00e3o de Algoritmos de Clustering em um Pequeno Conjunto de Dados.<\/li>\n<li>Gosavi, A. (2009). Refor\u00e7o da aprendizagem: Uma pesquisa tutorial e avan\u00e7os recentes.\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). Aprendizagem profunda para biologia computacional.\u00a0<em>Biologia de sistemas moleculares<\/em>,\u00a0<em>12<\/em>(7), 878.<\/li>\n<li>Webb, S. (2018). Aprendizagem profunda para a biologia. Natureza. 2018 554(7693):555-557.<\/li>\n<li>Mahmud, M., Kaiser, M. S., Hussain, A., &amp; Vassanelli, S. (2018). Aplica\u00e7\u00f5es do aprendizado profundo e do aprendizado de refor\u00e7o aos dados biol\u00f3gicos.\u00a0<em>Transa\u00e7\u00f5es de IEEE em redes neurais e sistemas de aprendizagem<\/em>,\u00a0<em>29<\/em>(6), 2063-2079.<\/li>\n<li>Mamoshina, P., Vieira, A., Putin, E., &amp; Zhavoronkov, A. (2016). Aplica\u00e7\u00f5es do aprendizado profundo em biomedicina.\u00a0<em>Farmac\u00eauticos moleculares<\/em>,\u00a0<em>13<\/em>(5), 1445-1454.<\/li>\n<li>Angermueller, C., Lee, H. J., Reik, W., &amp; Stegle, O. (2017). DeepCpG: previs\u00e3o precisa dos estados de metila\u00e7\u00e3o de DNA de c\u00e9lula \u00fanica usando aprendizado profundo.\u00a0<em>Biologia do genoma<\/em>,\u00a0<em>18<\/em>(1), 67.<\/li>\n<li>Rampasek, L., &amp; Goldenberg, A. (2016). Tensorflow: A porta de entrada da biologia para o aprendizado 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) \"Scalable and accurate deep learning with electronic health records<em>\", npj Medicina Digital<\/em>, 1(1)<\/li>\n<\/ol>","protected":false},"excerpt":{"rendered":"<p>O aprendizado de m\u00e1quinas tem v\u00e1rias aplica\u00e7\u00f5es em diversos campos, desde a sa\u00fade at\u00e9 o processamento de linguagem natural. O Dr. Ragothanam Yennamalli, um bi\u00f3logo computacional e freelancer Kolabtree, examina as aplica\u00e7\u00f5es da IA e do aprendizado de m\u00e1quinas em biologia.  Aprendizagem de m\u00e1quina e Intelig\u00eancia Artificial - estas tecnologias invadiram o mundo e mudaram a maneira como trabalhamos e vivemos.<\/p>\n<div class=\"read-more\"><a href=\"https:\/\/www.kolabtree.com\/blog\/pt\/applications-of-machine-learning-in-biology\/\" title=\"Leia mais\">Leia mais<\/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\/pt\/applications-of-machine-learning-in-biology\/\" \/>\n<meta property=\"og:locale\" content=\"pt_BR\" \/>\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\/pt\/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=\"Escrito por\" \/>\n\t<meta name=\"twitter:data1\" content=\"Ragothaman Yennamalli\" \/>\n\t<meta name=\"twitter:label2\" content=\"Est. tempo de leitura\" \/>\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\/pt\/applications-of-machine-learning-in-biology\/","og_locale":"pt_BR","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\/pt\/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":{"Escrito por":"Ragothaman Yennamalli","Est. tempo de leitura":"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":"pt-BR","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":"pt-BR","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":"pt-BR"},{"@type":"Organization","@id":"https:\/\/www.kolabtree.com\/blog\/#organization","name":"Kolabtree","url":"https:\/\/www.kolabtree.com\/blog\/","logo":{"@type":"ImageObject","inLanguage":"pt-BR","@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":"pt-BR","@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\/pt\/author\/ragothaman\/"}]}},"amp_enabled":true,"_links":{"self":[{"href":"https:\/\/www.kolabtree.com\/blog\/pt\/wp-json\/wp\/v2\/posts\/2986"}],"collection":[{"href":"https:\/\/www.kolabtree.com\/blog\/pt\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.kolabtree.com\/blog\/pt\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.kolabtree.com\/blog\/pt\/wp-json\/wp\/v2\/users\/26"}],"replies":[{"embeddable":true,"href":"https:\/\/www.kolabtree.com\/blog\/pt\/wp-json\/wp\/v2\/comments?post=2986"}],"version-history":[{"count":25,"href":"https:\/\/www.kolabtree.com\/blog\/pt\/wp-json\/wp\/v2\/posts\/2986\/revisions"}],"predecessor-version":[{"id":10463,"href":"https:\/\/www.kolabtree.com\/blog\/pt\/wp-json\/wp\/v2\/posts\/2986\/revisions\/10463"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.kolabtree.com\/blog\/pt\/wp-json\/wp\/v2\/media\/5410"}],"wp:attachment":[{"href":"https:\/\/www.kolabtree.com\/blog\/pt\/wp-json\/wp\/v2\/media?parent=2986"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.kolabtree.com\/blog\/pt\/wp-json\/wp\/v2\/categories?post=2986"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.kolabtree.com\/blog\/pt\/wp-json\/wp\/v2\/tags?post=2986"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}