Hacer que los algoritmos de IA muestren su trabajo

Hacer que los algoritmos de IA muestren su trabajo

Profesor asistente en el laboratorio de Cold Spring Harbor, el profesor Peter Koo en su laboratorio con el estudiante Shushan Toneyan. El equipo de Koo está investigando cómo funciona una inteligencia artificial de aprendizaje automático llamada redes neuronales profundas (DNN). Desarrolló un nuevo método para estudiar cómo estos DNN aprenden y predicen la importancia de ciertos patrones en las secuencias de ARN. Fuente: Gina Motisi, 2020 / CSHL

Las máquinas de aprendizaje de inteligencia artificial (IA) se pueden entrenar para resolver problemas y acertijos por sí mismas, en lugar de usar las reglas que hemos creado para ellas. Sin embargo, los investigadores a menudo no saben qué reglas establecen las máquinas por sí mismas. El profesor asistente del Laboratorio Cold Spring Harbor (CSHL), Peter Koo, ha desarrollado un nuevo método que prueba un programa de aprendizaje automático para averiguar qué reglas ha aprendido él mismo y si son correctas.

Los informáticos “enseñan” a una máquina de inteligencia artificial a predecir presentándole un conjunto de datos. La máquina extrae una serie de reglas y operaciones, el modelo, en función de la información encontrada durante el entrenamiento. Koo dice:

“Si aprendes los principios generales de las matemáticas en lugar de memorizar ecuaciones, sabrás cómo resolverlas. Entonces, en lugar de simplemente recordar estas ecuaciones, esperamos que estos modelos aprendan a resolverlas, y ahora podemos dar cualquier ecuación y eso la resolverá “.

Koo desarrolló un tipo de inteligencia artificial llamada red neuronal profunda (DNN) para buscar patrones en las cadenas de ARN que aumentan la capacidad de una proteína para unirse a ellas. Koo entrenó su DNN, llamado Residual Bind (RB), con miles de secuencias de ARN emparejadas con resultados de unión a proteínas, y RB se volvió bueno para predecir los resultados de nuevas secuencias de ARN. Pero Koo no sabía si la máquina se estaba enfocando en la secuencia corta de letras de ARN, el motivo, que los humanos podrían haber esperado, o algunas otras características secundarias de la cadena de ARN que quizás no hubieran esperado.

Koo y su equipo desarrollaron un nuevo método llamado Análisis de importancia global para probar qué reglas generó RB para hacer sus predicciones. Presentó una red entrenada con un conjunto cuidadosamente diseñado de secuencias de ARN sintético que contienen varias combinaciones de motivos y rasgos que los científicos creen que pueden influir en las puntuaciones de RB.

Descubrieron que la web se considera algo más que la ortografía de un tema breve. Esto incluye cómo una hebra de ARN puede plegarse y unirse, qué tan cerca está un motivo de otro y otras características.

Koo espera probar los resultados clave en un laboratorio. Pero en lugar de probar cada predicción en este laboratorio, el nuevo método de Koo funciona como un laboratorio virtual. Los científicos pueden diseñar y probar millones de variables computacionales diferentes, mucho más de lo que los humanos podrían probar en un laboratorio real.

“La biología es una gran anécdota. Puedes encontrar la secuencia, puedes encontrar el patrón, pero no sabes ‘¿Es este patrón realmente importante?’ Tienes que hacer estos experimentos de intervención. En este caso, todos mis experimentos solo los realiza la red neuronal ‘.

El equipo publicó sus nuevos métodos y herramientas en PLOS Biología Computacional. Su las herramientas ya están disponibles para todos en línea.


Los investigadores de IA preguntan: ¿Qué sucede en la caja negra?

Más información:
PLOS Biología Computacional (2021). DOI: 10.1371 / journal.pcbi.1008925

Deja una respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *