Aplicaciones del aprendizaje automático y el aprendizaje profundo a los datos biológicos

Título original:

Applications of Machine Learning and Deep Learning on Biological Data

Contenido del libro:

El aprendizaje automatizado de las máquinas caracteriza al aprendizaje automático (AM). Se centra en hacer predicciones basadas en datos utilizando algoritmos programados. El ML tiene varias aplicaciones, entre ellas la bioinformática, que es una disciplina de estudio y práctica que se ocupa de aplicar derivaciones computacionales para obtener datos biológicos. Implica la recopilación, recuperación, almacenamiento, manipulación y modelado de datos para su análisis o predicción mediante software personalizado. Anteriormente, la programación integral de algoritmos bioinformáticos era una tarea extremadamente laboriosa para aplicaciones como la predicción de estructuras de proteínas. Ahora, los algoritmos que utilizan ML y aprendizaje profundo (DL) han aumentado la velocidad y la eficacia de la programación de dichos algoritmos.

Applications of Machine Learning and Deep Learning on Biological Data es un examen de la aplicación del ML y el DL a áreas como la proteómica, la genómica, los microarrays, la minería de textos y la biología de sistemas. El objetivo principal es cubrir las aplicaciones del ML a los problemas de las ciencias biológicas, centrándose en los problemas relacionados con la bioinformática. El libro aborda temas y metodologías de investigación de vanguardia en ML aplicado a la disciplina de la bioinformática, que avanza rápidamente.

El ML y la DL aplicados a datos biológicos y de neuroimagen pueden abrir nuevas fronteras a la ingeniería biomédica, como el perfeccionamiento de la comprensión de enfermedades complejas, entre ellas el cáncer y los trastornos neurodegenerativos y psiquiátricos. Los avances en este campo podrían conducir con el tiempo al desarrollo de la medicina de precisión y de herramientas de diagnóstico automatizadas capaces de adaptar los tratamientos médicos a los estilos de vida individuales, la variabilidad y el entorno.

Entre los aspectos más destacados figuran:

⬤ Inteligencia artificial en el tratamiento y diagnóstico de la esquizofrenia.

⬤ Un análisis del efecto financiero de ML y DL en la atención sanitaria.

⬤ Un método de clasificación basado en XGBoost para la clasificación del cáncer de mama.

⬤ Uso de ML para predecir enfermedades escamosas.

⬤ Aplicaciones de ML y DL en genómica y proteómica.

⬤ Aplicación de ML y DL a datos biológicos.