Veri Bilimcileri, 3 Boyutun Ötesine Geçerek Karmaşık Biyolojik Verileri Yorumlayan Yeni Yapay Zeka Aracı Tanıttı
İnsan gözü iki boyutlu görüntüler alıp beynimiz bunları üç boyutlu deneyimlere dönüştürürken, bilim insanları ve görselleştirme uzmanları, insan gözünün yakalayamadığı alt-görünür yapılar ve yüksek boyutlu süreçleri anlamak için makine öğrenmesi ve yapay zeka araçlarından yararlanıyor.
Utah Devlet Üniversitesi'nde (USU) Veri Bilimi ve Yapay Zeka (DSAI) Merkezi direktörü Kevin Moon, biyolojik süreçlerin karmaşık ve yüksek boyutlu veri kümeleri olduğunu belirtiyor. Örneğin, MS hastalarından elde edilen ve hücre düzeyinde hastalık ilerlemesi, tedaviler ve klinik sonuçlar hakkında yüz binlerce veri noktası içeren klinik veriler, bu tür araçlarla analiz ediliyor.
Moon'un baş yazarı olduğu ve Nature Computational Science'da yayımlanan "Gaining Biological Insights through Supervised Data Visualization" (Denetimli Veri Görselleştirmesiyle Biyolojik İçgörüler Kazanmak) başlıklı makalede, RF-PHATE adı verilen yeni bir araç tanıtılıyor.
RF-PHATE, "Random Forest-Potential of Heat-diffusion for Affinity-based Trajectory Imbedding" (Rastgele Orman-Isı Yayılımı Potansiyeli ile Afin-Temelli Yörünge Gömme) kısaltmasıdır ve çok boyutlu veri kümelerindeki ilgili veri ilişkilerini keşfetmeyi sağlayan denetimli bir veri görselleştirme yöntemidir.
Bu yöntem, daha önce geliştirilmiş denetimsiz ve denetimli veri görselleştirme yöntemlerinin yeteneklerini anlamak için faydalıdır. PHATE, t-SNE ve UMAP gibi yaygın olarak kullanılan denetimsiz yöntemler ve mevcut denetimli yöntemler, büyük veri kümelerinin yapısını görselleştirmeye yardımcı olsa da, bazı zayıflıkları bulunmaktadır.
Bu zayıflıklar arasında, bazı yöntemlerin farklılıkları aşırı vurgulaması yer almaktadır. RF-PHATE'in bu tür sınırlamaları aşarak daha doğru ve anlamlı biyolojik içgörüler sunması hedeflenmektedir.
Biyolojik ve tıbbi verilerin giderek artan karmaşıklığı, geleneksel analiz yöntemlerinin sınırlarını zorlamaktadır. Kevin Moon ve ekibinin geliştirdiği RF-PHATE gibi yapay zeka tabanlı görselleştirme araçları, yüksek boyutlu verilerden anlamlı içgörüler çıkarmak için güçlü bir potansiyel sunmaktadır. Bu tür araçlar, hastalıkların erken teşhisi, ilaç geliştirme süreçlerinin hızlandırılması ve kişiselleştirilmiş tıp uygulamalarının yaygınlaştırılması gibi alanlarda devrim yaratabilir. Veri bilimi ve biyolojinin kesişimindeki bu gelişmeler, gelecekteki bilimsel keşiflerin hızını ve doğruluğunu artıracaktır.
📌 Kaynak
Bu haber XML kaynağından derlenmiştir. Tamamı için orijinal habere gidin.
Orijinal haberi oku →