40 گام به سوی آینده‌ای هوشمند - مجموعه وبینارهای رایگان در حوزه هوش مصنوعی
Filter by دسته‌ها
chatGTP
آموزش هوش مصنوعی و انواع آن
آموزش‌های پایه‌ای هوش مصنوعی
اصول هوش مصنوعی
پایتون و ابزارهای یادگیری عمیق
کتابخانه‌ های یادگیری عمیق
یادگیری با نظارت
یادگیری بدون نظارت
یادگیری تقویتی
یادگیری عمیق
یادگیری نیمه نظارتی
آموزش‌های پیشرفته هوش مصنوعی
بینایی ماشین
پردازش زبان طبیعی
پردازش گفتار
چالش‌های عملیاتی
داده کاوی و بیگ دیتا
رایانش ابری و HPC
سیستم‌‌های امبدد
علوم شناختی
دیتاست
اخبار
تیتر یک
رسانه‌ها
آموزش پردازش زبان طبیعی
آموزش علوم داده
اینفوگرافیک
پادکست
ویدیو
رویدادها
کاربردهای هوش مصنوعی
کسب‌و‌کار
تحلیل بازارهای هوش مصنوعی
کارآفرینی
هوش مصنوعی در ایران
هوش مصنوعی در جهان
 دانشمندان برای کشف ساختار سلول به هوش مصنوعی روی می‌آورند

دانشمندان برای کشف ساختار سلول به هوش مصنوعی روی می‌آورند

بررسی و شناخت ساختار سلول، یکی از بزرگترین چالش‌های دانشمندان زیست‌شناسی بوده است، چرا که به دلیل پیچیدگی ساختار رشته‌های اسکلت سلولی، تعیین موقعیت دقیق هسته سلول امری بسیار دشوار و گاها غیرممکن بوده است. حال دانشمندان هوش‌مصنوعی موفق شدند با توسعه یک سیستم هوشمند و آموزش آن، مکان دقیق هسته سلول را شناسایی کنند.

چرا کشف ساختار سلولی بسیار دشوار است؟

برای این‌که سلول‌ها بتوانند تکثیر شوند، از یکدیگر متمایز گردند یا در بدن حرکت کنند، هسته‌ی سلول‌ها به اسکلت سلولی نیاز دارد؛ اسکلت سلولی حکم داربستی را دارد که شکل و ساختار جامد به سلول می‌بخشد. اختلال در این ارتباط، برای مثال جابجایی هسته از اسکلت سلولی، نشانه‌ی بروز بیماری است. با این حال، پیچیدگی تعریف ساختار اسکلت سلولی در قالب ریاضی باعث شده است که تا کنون، رابطه‌ی بین جایگاه هسته و ساختار اسکلت سلولی نمایش داده نشود.

با استفاده از روش های علمی مرسوم، دانشمندان باید ابتدا پارامترهای مورد نیاز برای تعریف و اندازه‌گیری سیستم مورد مطالعه را تعیین کنند. این تفسیر امکان اندازه‌گیری سیستم‌های ساده را با استفاده از پارامترهای شناخته شده مانند اندازه، سرعت و فاصله فراهم می‌آورد. با این حال، برای بسیاری از سیستم‌های پیچیده، مانند شبکه رشته‌هایی که اسکلت سلولی را تشکیل می‌دهند، تعیین پارامترهای مهم امری غیرممکن به نظر می‌رسد.

فرناندز، محقق اصلی SUTD، می‌گوید: «تفسیر چنین سیستم‌های پیچیده‌ای دشوار است، چون باید آن‌ها در قالب تفاسیر ذهنی خود و معیار‌های از پیش تعیین شده درآوریم. وجود هزاران هزار رشته‌ی در هم‌آمیخته باعث می‌شود حتی ابتدا و انتهای رشته‌ها را هم نتوانیم تعیین کنیم، چه برسد به این‌که پارامتر‌های دخیل در ساختار سلول را کشف و مطالعه کنیم.»

محققان سپس تصمیم گرفتند موضوع را از منظری کاملاً جدید مطالعه کنند و بدین ترتیب، تمرکز خود را از سیستم به ناظر تغییر دهند.

ساختار سلول

نقش هوش مصنوعی در زیست شناسی

جاویر جی فرناندز و جویتسان وسودیوان، از دانشگاه فناوری و طراحی سنگاپور (SUTD) با همکاری دانشگاه ملی سنگاپور و دانشگاه فناوری نانیانگ، موفق شدند با تکیه بر هوش مصنوعی، ارتباط بین سازمان اسکلت سلولی و موقعیت هسته‌ را نشان دهند. این پژوهش در قالب مقاله‌ای تحت عنوان « From qualitative data to correlation using deep generative networks: Demonstrating the relation of nuclear position with the arrangement of actin filaments» در ژورنال PLOS به چاپ رسیده است.

برای اطمینان از اینکه پارامترها با ادراک انسانی محدود نمی‌شوند، یک الگوریتم مولد منحصر به فرد ساخته شد تا اسکلت سلولی سلول‌های یوکاریوتی را با تکیه بر داده‌‌های کیفی تفسیر کند؛ به نحوی که لازم نباشد از قبل به سیستم توضیح داد به دنبال چه چیزی است و چطور باید آن را اندازه بگیرد.

فرناندز افزود: «ما اطلاعات مربوط به هسته سلول و رشته‌ها را از چندین دیتابیس تصویری جدا کردیم و اطمینان حاصل کردیم که در تصاویر موجود از فیبر‌ها، هیچ اطلاعاتی در مورد هسته وجود ندارد تا سیستم نتواند تقلب کند. سپس سیستم را آموزش دادیم تا مکان هسته را تنها با استفاده از اطلاعات مخصوص رشته پیدا کند. برای این کار، سیستم باید داده‌های کیفی را می‌گرفت و مشخص می‌کرد که آیا رابطه‌ای بین سازمان رشته و موقعیت هسته سلول وجود دارد یا خیر. بدین ترتیب، نرم افزار مجبور بود پارامتر‌های تعریف‌کننده سیستم را بدون تکیه بر تفاسیر و مفاهیم انسانی از پیش تعیین شده تعریف کند.»

هوش‌مصنوعی در کشف ساختار سلول تا چه حد موفق عمل کرده است؟

الگوریتم توانست حضور و مکان هسته‌ها را در بیش از 8000 سلول به درستی پیش‌بینی کند؛ در تقریباَ نیمی از این پیش‌بینی‌ها، خروجی سیستم در مورد موقعیت هسته کمتر از 1 میکرومتر با جایگاه دقیق آن فاصله داشت. این فرضیه رابطه قطعی بین نظم رشته‌های اکتین و موقعیت هسته را که یکی از اساسی‌ترین روابط موجود در زیست‌شناسی سلولی است، با دقت بالا نشان داد. فرناندز معتقد است که این امر به یک نتیجه معرفت‌شناختی نیز منجر شده است.

فرناندز افزود: «این پژوهش طرز تفکر ما را در مورد تطبیق روش‌های تحقیقات علمی تغییر داده و باعث شد تا یادگیری ماشینی را نه تنها به عنوان ابزاری برای تجزیه و تحلیل داده‌ها، بلکه برای تفسیر واقعیت به کار ببریم. در حوزه‌ی زیست‌شناسی و برای مطالعه‌ی سیستم‌هایی که ذاتاَ پیچیده هستند، این کشفیات می‌توانند انقلابی پدید آورده و «فناوری را با زیست بیامیزند». این فناوری‌ها امکان پرده‌برداری از پیچیدگی و ریزه‌کاری‌های سیستم‌های زیستی را فراهم می‌آورند.»

جدیدترین اخبار هوش مصنوعی ایران و جهان را با هوشیو دنبال کنید

میانگین امتیاز / 5. تعداد ارا :

مطالب پیشنهادی مرتبط

اشتراک در
اطلاع از
0 نظرات
بازخورد (Feedback) های اینلاین
مشاهده همه دیدگاه ها
[wpforms id="48325"]