Deep learning y ensemble learning ¿los combinamos?
"La aplicación de herramientas computacionales ha traído muchos avances al campo de la investigación biomédica. Pero, ¿y si se combinan? Se obtienen herramientas muy potentes como el ensemble deep learning que se puede usar desde el análisis de una secuencia de DNA hasta el estudio de ómicas."
La bioinformática ha venido para quedarse y todo gracias al amplio catálogo de herramientas que permiten extraer el conocimiento de un conjunto de datos biológicos aplicando métodos computacionales. De esta manera, se obtiene información de gran valor que posteriormente se aplica a muchos campos, entre ellos la biomedicina.
¿Qué herramientas nos ofrece la bioinformática? Son muchas y muy variadas, pero vamos a centrarnos en el machine learning o aprendizaje automático. Se trata de una rama de la inteligencia artificial (IA) que se caracteriza por construir modelos a partir de datos. Dentro de este grupo se encuentra el deep learning, un método que se encuentra inspirado en la estructura de nuestro cerebro.
¿Qué herramientas nos ofrece la bioinformática? Son muchas y muy variadas, pero vamos a centrarnos en el machine learning o aprendizaje automático. Se trata de una rama de la inteligencia artificial (IA) que se caracteriza por construir modelos a partir de datos. Dentro de este grupo se encuentra el deep learning, un método que se encuentra inspirado en la estructura de nuestro cerebro.
Deep Learning / Imagen de Andrea Morales
Para ello, construye una red neuronal que se compone de tres tipos de capas principalmente: input layer, donde se van a introducir los datos que queremos estudiar; hidden layer, puede ser más de una capa y se encarga de analizar los datos y obtener el resultado; y output layer, donde se va a mandar y extraer la respuesta.
Por otro lado, se encuentra el ensemble learning, un conjunto de métodos que combinan distintos modelos para obtener un modelo final mucho más exacto y robusto. Durante mucho tiempo estas técnicas han sido usadas por separado. Sin embargo, recientemente se ha visto que aplicándolas de manera conjunta
Ensemble Learning / Imagen de Andrea Morales
se obtienen resultados mejores y se abre un nuevo horizonte de conocimiento.
Por otro lado, se encuentra el ensemble learning, un conjunto de métodos que combinan distintos modelos para obtener un modelo final mucho más exacto y robusto. Durante mucho tiempo estas técnicas han sido usadas por separado. Sin embargo, recientemente se ha visto que aplicándolas de manera conjunta se obtienen resultados mejores y se abre un nuevo horizonte de conocimiento.
Ensemble Learning / Imagen de Andrea Morales
La combinación de arquitecturas de las redes neuronales por parte del deep learning, como CNNs (convolutional neural networks), RNNs (recurrent neural networks) o ResNet (residual neural netowrk), y los distintos métodos que ofrece el ensemble learning, han hecho que la combinación de ambos se convierta en una herramienta bioinformática que actualmente se encuentra en auge.
La aplicación del ensemble deep learning es muy amplia, desde el análisis de una secuencia de genes hasta el estudio de ómicas. Encontramos múltiples ejemplos donde la aplicación de las redes neuronales junto al ensemble learning han permitido obtener información que antes no había forma de obtener. Por ejemplo, dentro del análisis del genoma, partiendo de información como las variantes estructurales y las modificaciones epigenéticas y usando este método, ha permitido que se conozcan mejor los sistemas biológicos y las enfermedades raras. Por último, en biología de sistemas, la aplicación del ensemble deep learning ha permitido obtener una visión en conjunto de la interacción entre moléculas, su relación en la regulación y sus mecanismos de acción.
En conclusión, la bioinformática ha permitido la extracción de información que antes no era posible obtener. Mediante la combinación del ensemble learning y el deep learning, se puede estudiar y conocer mejor el mundo que nos rodea y nuestro propio cuerpo. Esto abre un nuevo mundo de posibilidades permitiendo así mejorar nuestra calidad de vida conociendo mejor los entresijos que nos componen. La medicina personalizada o la interpretación de sistemas biológicos, entre otros logros, está cada día más cerca de hacerse realidad.
La aplicación del ensemble deep learning es muy amplia, desde el análisis de una secuencia de genes hasta el estudio de ómicas. Encontramos múltiples ejemplos donde la aplicación de las redes neuronales junto al ensemble learning han permitido obtener información que antes no había forma de obtener. Por ejemplo, dentro del análisis del genoma, partiendo de información como las variantes estructurales y las modificaciones epigenéticas y usando este método, ha permitido que se conozcan mejor los sistemas biológicos y las enfermedades raras. Por último, en biología de sistemas, la aplicación del ensemble deep learning ha permitido obtener una visión en conjunto de la interacción entre moléculas, su relación en la regulación y sus mecanismos de acción.
En conclusión, la bioinformática ha permitido la extracción de información que antes no era posible obtener. Mediante la combinación del ensemble learning y el deep learning, se puede estudiar y conocer mejor el mundo que nos rodea y nuestro propio cuerpo. Esto abre un nuevo mundo de posibilidades permitiendo así mejorar nuestra calidad de vida conociendo mejor los entresijos que nos componen. La medicina personalizada o la interpretación de sistemas biológicos, entre otros logros, está cada día más cerca de hacerse realidad.
REFERENCIAS
Documentación
Andrea Morales Montes para My Scientific Journal 08/10/2020
Andrea Morales MontesRedactora My Scientific Journal
Graduada en Bioquímica
