Correo Electrónico
DNINFOA - SIA
Bibliotecas
Convocatorias
Identidad U.N.
Publicado
Artificial Intelligence in the biological sciences
Inteligencia Artificial en las ciencias biológicas
DOI:
https://doi.org/10.15446/abc.v31n2.127601Palabras clave:
Big data, Brain–computer interfaces, Deep-learning models, Machine learning, Multi-omics (en)Aprendizaje automático, Big data, Interfaces cerebro-computadora, Modelos de aprendizaje profundo, Multiómica (es)
Descargas
La inteligencia artificial (IA) está impulsando una profunda transformación en las ciencias biológicas al permitir el análisis de sistemas biológicos complejos en múltiples niveles de organización. Los métodos de IA son cada vez más fundamentales para la investigación en regulación génica, neurociencia, biología evolutiva, modelado de ecosistemas y análisis de redes metabólicas. Esta nota examina las aplicaciones actuales y las perspectivas de la IA en seis dominios biológicos principales: biología molecular y celular, biología estructural y de sistemas, neurociencia, ecología y biología evolutiva, biología sintética y descubrimiento científico autónomo.
La inteligencia artificial (IA) está impulsando una profunda transformación en las ciencias biológicas al permitir el análisis de sistemas biológicos complejos en múltiples niveles de organización. Los métodos de IA son cada vez más fundamentales para la investigación en regulación génica, neurociencia, biología evolutiva, modelado de ecosistemas y análisis de redes metabólicas. Esta nota examina las aplicaciones actuales y las perspectivas de la IA en seis dominios biológicos principales: biología molecular y celular, biología estructural y de sistemas, neurociencia, ecología y biología evolutiva, biología sintética y descubrimiento científico autónomo.
Referencias
Angenent-Mari, N. M., Garruss, A. S., Soenksen, L. R. Church, G. and Collins, J. J. (2020). A deep learning approach to programmable RNA switches. Nature Communications, 11, 5057. https://doi.org/10.1038/s41467-020-18677-1
Avsec, Ž., Agarwal, V., Visentin, D., Ledsam, J. R., Grabska-Barwinska, A., Taylor, K. R., Assael, Y., Jumper, J., Kohli, P. and Kelley, D. R. (2021). Effective gene expression prediction from sequence by integrating long-range interactions. Nature Methods, 18, 1196–1203. https://doi.org/10.1038/s41592-021-01252-x
Baek, M., Dimaio, F. Anishchenko, I., Dauparas, J., Ovchinnikov, S., Lee, G. R., Wang, J., Cong, Q., Kinch, L. N. Schaeffer, R. D. et al. (2021). Accurate prediction of protein structures and interactions using a three-track neural network. Science, 373(6557), 871–876. https://doi.org/10.1126/science.abj8754
Barabási, A. L., Gulbahce, N. and Loscalzo, J. (2011). Network medicine: A network-based approach to human disease. Nature Reviews Genetics, 12, 56–68. https://doi.org/10.1038/nrg2918
Beam, A. L. and Kohane, I. S. (2018). Big data and machine learning in health care. JAMA, 319(13), 1317–1318. https://doi.org/10.1001/jama.2017.18391
Biswas, S., Khimulya, G., Alley, E. C. Esvelt, K. M. and Church, G. M. (2021). Low-N protein engineering with data-efficient deep learning. Nature Methods, 18, 389–396. https://doi.org/10.1038/s41592-021-01100-y
Ching, T., Himmelstein, D. S., Beaulieu-Jones, B. K., Kalinin, A. A., Do, B. T., Way, G. P., Ferrero, E., Agapow, P. M., Michael, Z. Hoffman, M. M. et al. (2018). Opportunities and obstacles for deep learning in biology and medicine. Journal of The Royal Society Interface, 15(141), 20170387. https://doi.org/10.1098/rsif.2017.0387
Cui, H., Wang, C., Maan, H., Pang, K., Luo, F., Duan, N. and Wang, B. (2024). scGPT: Toward building a foundation model for single-cell multi-omics. Nature Methods, 21, 1470–1480. https://doi.org/10.1038/s41592-024-02201-0
Doench, J. G., Fusi, N., Sullender, M., Hegde, M., Vaimberg, E. W., Donovan, K. F., Smith, I Tothova, Z., Wilen, C., Orchard, R. et al. (2016). Optimized sgRNA design to maximize activity and minimize off-target effects of CRISPR-Cas9. Nature Biotechnology, 34, 184–191. https://doi.org/10.1038/nbt.3437
Esteva, A., Robicquet, A., Ramsundar, B., Kuleshov, V., DePristo, M., Chou, K., Cui, C., Corrado, G. Thrun, S. and Dean J. (2019). A guide to deep learning in healthcare. Nature Medicine, 25, 24–29. https://doi.org/10.1038/s41591-018-0316-z
Hamilton, W. L., Ying, Z. and Leskovec, J. (2017). Representation learning on graphs: Methods and applications. IEEE Data Engineering Bulletin, 40, 52–74. https://doi.org/10.48550/arXiv.1709.05584
Jun, J. J., Steinmetz, N. A., Siegle, J. H., Denman, D. J., Bauza, M., Barbarits, B., Lee, A. K., Anastassiou, C. A., Andrei, A. Aydın, C. et al. (2017). Fully integrated silicon probes for high-density recording of neural activity. Nature, 551, 232–236. https://doi.org/10.1038/nature24636
Jumper, J., Evans, R., Pritzel, A. Green, T., Figurnov, M., Ronneberger, O., Tunyasuvunakool, K, Bates, R., Žídek, A., Potapenko, A. et al. (2021). Highly accurate protein structure prediction with AlphaFold. Nature, 596, 583–589. https://doi.org/10.1038/s41586-021-03819-2
Knight, R., Vrbanac, A., Taylor, B. C. Aksenov, A., Callewaert, C., Debelius, J., Gonzalez, A., Kosciolek, K., McCall, L. I. McDonald, D. et al. (2018). Best practices for analysing microbiomes. Nature Reviews Microbiology, 16, 410–422. https://doi.org/10.1038/s41579-018-0029-9
Kriegeskorte, N. (2015). Deep neural networks: A new framework for modelling biological vision and brain information processing. Annual Review of Vision Science, 1, 417–446. https://doi.org/10.1146/annurev-vision-082114-035447
Reichstein, M., Camps-Valls, G., Stevens, B., Jung, M., Denzler J., Carvalhais, N. et al. (2019). Deep learning and process understanding for data-driven Earth system science. Nature, 566, 195–204. https://doi.org/10.1038/s41586-019-0912-1
Schrider, D. R. and Kern, A. D. (2018). Supervised machine learning for population genetics: A new paradigm. Trends in Genetics, 34(4), 301–312. https://doi.org/10.1016/j.tig.2017.12.005
Tabak, M. A., Norouzzadeh, M. S., Wolfson, D. W., Sweeney, S. J., Vercauteren, K. C., Snow, N. P., Halseth, J. M., Di Salvo, P. A. Lewiset, J. S., White, M. D. et al. (2019). Machine learning to classify animal species in camera trap images. Methods in Ecology and Evolution, 10, 585–590. https://doi.org/10.1111/2041-210X.13120
Urbina, F., Lentzos, F., Invernizzi, C. and Ekins, S. (2022). Dual use of artificial-intelligence-powered drug discovery. Nature Machine Intelligence, 4, 189–191. https://doi.org/10.1038/s42256-022-00465-9
Watson, J. L., Juergens, D., Bennett, N. R., Trippe, B. L., Yim, J., Eisenach, H. E., Ahern, W., Borst, A. J., Ragotte, R. J. Milles, L. F. et al. (2023). De novo design of protein structure and function with RFdiffusion. Nature, 620, 1089–1100. https://doi.org/10.1038/s41586-023-06415-8
Willett, F. R., Avansino, D. T., Hochberg, L. R., Henderson, J. M. and Shenoy, K. V. (2021). High-performance brain-to-text communication via handwriting. Nature, 593, 249–254. https://doi.org/10.1038/s41586-021-03506-2
Zampieri, M., Vijayakumar, S., Yaneske, E. and Angione, C. (2019). Machine and deep learning meet genome-scale metabolic modeling. PLoS Computational Biology, 15, e1007084. https://doi.org/10.1371/journal.pcbi.1007084
Cómo citar
APA
ACM
ACS
ABNT
Chicago
Harvard
IEEE
MLA
Turabian
Vancouver
Descargar cita
Licencia
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
1. La aceptación de manuscritos por parte de la revista implicará, además de su edición electrónica de acceso abierto bajo licencia Attribution-NonCommercial-ShareAlike 4.0 (CC BY NC SA), la inclusión y difusión del texto completo a través del repositorio institucional de la Universidad Nacional de Colombia y en todas aquellas bases de datos especializadas que el editor considere adecuadas para su indización con miras a incrementar la visibilidad de la revista.
2. Acta Biológica Colombiana permite a los autores archivar, descargar y compartir, la versión final publicada, así como las versiones pre-print y post-print incluyendo un encabezado con la referencia bibliográfica del articulo publicado.
3. Los autores/as podrán adoptar otros acuerdos de licencia no exclusiva de distribución de la versión de la obra publicada (p. ej.: depositarla en un archivo telemático institucional o publicarla en un volumen monográfico) siempre que se indique la publicación inicial en esta revista.
4. Se permite y recomienda a los autores/as difundir su obra a través de Internet (p. ej.: en archivos institucionales, en su página web o en redes sociales cientificas como Academia, Researchgate; Mendelay) lo cual puede producir intercambios interesantes y aumentar las citas de la obra publicada. (Véase El efecto del acceso abierto).
