Mesterséges intelligencia alkalmazásai automatizált gyógyszeripari minőségellenőrzésben

A társadalom gyógyszeripar felé támasztott egyik legfontosabb elvárása, hogy a betegek számára mindig kifogástalan minőségű készítmények álljanak rendelkezésre. Jelenleg a gyógyszeripari gyártásban a minőséget kis számú mintavételen alapuló, lassú és roncsolásos analitikai eljárásokkal ellenőrzik. Ezek nem teszik lehetővé a folyamatok valós időben történő követését és a fellépő zavarások után a gyors beavatkozást. A mesterséges intelligencia fejlődésével azonban már rendelkezésre állnak olyan algoritmusok, amik fel tudják dolgozni valós időben működő szenzorok, például kamerák adatait. Az ilyen megoldásoknak köszönhetően a jövőben a gyártóknak és a pácienseknek sem kell majd aggódni amiatt, hogy rossz minőségű termék keletkezik, mivel a gyártósor automatikusan felismeri majd ezeket és be is avatkozik, megszüntetve a probléma forrását.

Élet a pixelek mögött: daganat és víruskutatás mesterséges intelligenciával

Előadásomban áttekintést adok a nagyléptékű fénymikroszkópos kísérletek egysejt szintű feldolgozásának számítástechnikai lépéseiről. Először egy új mikroszkópos képkorrekciós eljárást mutatok be, mely kijavítja a nem egyenletes megvilágításból származó képi hibákat, így támogatva a fényintenzitás alapú mérések helyességét. Ezután új, differenciál geometriára, energia-minimalizációs módszerekre és mesterséges intelligenciára alapuló egysejt szegmentálási módszereket ismertetek. Bemutatom az Advanced Cell Classifier (ACC) gépi tanulási szoftvert, melyet azért fejlesztettünk, hogy a képi jellemzőkből származó információ felhasználásával sejtes fenotípusokat azonosítsunk. Az ACC egy olyan interaktív felületet biztosít, mely segítségével a felhasználók hatékonyan képesek intelligens algoritmusokat sejtek automatikus fenotipizálására tanítani. Azon esetekre, ahol nem lehetséges diszkrét fenotípus kategóriák létrehozása, bemutattunk egy multi-parametrikus regresszión alapuló, eljárást, mely képes biológiai folyamatok elemzésére. A tanulási gyorsaság és a pontosság növelése érdekében egy olyan aktív tanulási sémát dolgoztunk ki, amely kiválasztja a legtöbb információval rendelkező sejtmintákat. A fejlesztett módszerek kombinációit felhasználva különböző egysejt kinyerési stratégiákat mutattunk be. Ismertetem a frissen elért sikeres eredményeinket egysejt DNS és RNS szekvenálás, proteomikai, lipidomikai és célzott elektro-fiziólógiai elemzések területén.

Gépi tanulási technikák kritikus összehasonlítása kémiai érzékelők adatainak feldolgozásához

A kémiai érzékelők területén kritikus jelentősége van annak, hogy az adatfeldolgozásban használt gépi tanulási módszerek ne csak memorizálják a betanításukra használt példákat, hanem képesek legyenek ismeretlen mintákra általánosítani is. Erre azért van szükség, mert csak általánosítással garantálható az ismeretlen minták kémiai tulajdonságainak vagy koncentrációszintjeinek pontos előrejelzése. Különböző gépi tanulási algoritmusok hatékonyságát vizsgáltuk nemlineáris érzékelő-adatok felhasználásával, kiemelve a modell értelmezhetőségének jelentőségét a pontos eredmények biztosításában. Mivel egyre több kutatócsoport használja ki a gépi tanulási technikák előnyeit analitikai módszereik pontosságának növelése érdekében, fontos hangsúlyozni a neurális hálózatok korlátait a kémiai érzékelési alkalmazásokban, ahol gyakran nem áll rendelkezésre megfelelő számú adat. Ehelyett ilyen esetekben a szimbolikus regressziós modellek használata ajánlott, mivel ezek kisebb adathalmazok esetén is kiváló pontosságot nyújtanak, és a létrehozott matematikai kifejezéseken keresztül értelmezhetőek a modellek.

Mesterséges intelligencia alkalmazások a biotechnológiai modellezésben

A mesterséges intelligencia alkalmazások általános áttekintése mellett ismertetésre kerülnek a bizonytalanság kezelésére alkalmas lágy számítási módszerek úgy, mint felügyelt és nem felügyelt tanítás, megerősítéses tanulás koncepciója. A biomérnöki szakterületen különleges jelentőséggel bírhat az idegsejtek működési elvén alapuló mesterséges neuronhálózatok alkalmazása, amely adathalmaz alapján osztályozásra és mintázatfelismerésre képesek: pl. biotechnológiai fejlesztéseknél, gyógyszerhatékonyság, szinergiák klaszterezésénél kapnak fontos szerepet. Következő lépésben a megerősítéses tanulás (reinforcemenet learning) témakörét tárjuk fel, amely virtuális ágensek jutalom alapú evolúcióján alapul: ebben az esetben nincs tanító, a rendszer a környezetéből kapott visszacsatolások alapján építi fel a tudásbázisát. Bemutatásra kerül, hogy a Monopoly, Sakk, robotporszívók, önvezető járművek mesterséges intelligencia modelljei miként kapcsolódnak a biomérnöki és környezetmérnöki területhez, különös tekintette a NEAT, DeepQ learning, Markov folyamatokra. Bemutatása történik egy sajátfejlesztésű döntéstámogatórendszernek, amely eleveniszapos szennyvíztisztító telepek biokinetikai modellezése mellett a levegőztetés, iszaprecirkuláció optimalizációját teszi lehetővé az üzemeltetési költségek figyelembe vétele mellett. Az előadás tematikáját képezi a képfelismerésnél és képgenerálásnál használt módszerek, alkalmazásukkal kapcsolatos tapasztalok bemutatása: konvolúciós neurális hálók, önszervező térképek.

Mit nem mer elmondani a biokémiakönyved, és hogy jön ehhez az MI?

Közhely, hogy a gyógyszerkutatás hosszú, bonyolult és drága folyamat. Bár a terület rengeteget fejlődött az elmúlt száz évben, még mindig sokszor csak a folyamat végén derül ki, hogy a gyógyszer valójában nem is alkalmas arra, amire készítették. Egyre újabb és újabb módszerekkel egyre több adatot tudunk meg az emberi sejtek belső működéséről, és ezek sok esetben nagyon más képet festenek a biológiáról, mint amit a tankönyvekben látunk. Ennek a megértésében tudhat majd nekünk segíteni a mesterséges intelligencia, de önmagában nem lesz elég. A gyógyszerkutatás kémiai oldalán már vannak bevált modellezési és MI eszközök, ebben az előadásban a biológiai oldal fejlődéséről és lehetőségeiről fogok mesélni.