Это ежемесячный обзор наиболее важных и интересных новостей от экспертной группы проекта Технологии Долголетия. Сайт группы rlegroup.net.
В текущем обзоре рассматриваются последние наиболее значительные и интересные публикации о использовании технологий машинного интеллекта для диагностики заболеваний, моделировании свойств лекарственных препаратов, создании моделей живых организмов, анализа биомаркеров старения, прямого научного поиска средств продления жизни, других применениях ИИ в медицине и биологии.
Отдельный интерес представляет использование технологий машинного интеллекта для увеличения эффективности исследований, прямого научного поиска средств продления жизни, начиная с простейших алгоритмических механизмов для аналитики научных публикаций в областях, связанных с продлением жизни.
Искусственная нейронная сеть обнаруживает человеческую неопределенность
Международный научный коллектив, в который входят ученые из Саратовского государственного технического университета имени Гагарина Ю.А. (СГТУ), создал искусственную нейронную сеть, моделирующей состояние неопределенности выбора в момент принятия мозгом человека решения.
Основной задачей было выявление некоторого состояния нейронной активности головного мозга, в ходе решения которой, ученые провели исследование и анализ сигналов магнитоэнцефалограмм (МЭГ) — записей магнитной активности нейронных сигналов мозга — посредством методов машинного обучения.
МЭГ-сигналы записывали в ходе нейропсихологического эксперимента: восприятия оптической иллюзии, так называемого «куба Неккера». Участники эксперимента должны были сконцентрироваться на изображении и принять решение по его интерпретации, а к анализу записанных сигналов применялась искусственная нейронная сеть. Обучающей выборкой для нее стали отрезки сигнала, соответствующие восприятию самых простых и однозначных изображений. В такие моменты у человека меньше трудностей с интерпретацией, чему соответствуют наиболее устойчивые паттерны его нейронной активности.
После чего обученная сеть проанализировала сигналы, соответствующие восприятию неоднозначных изображений, в ходе чего сеть многократно переключала отклик. Если интерпретировать это как «сомнения» нейросети, то таким образом можно успешно отслеживать и сомнения живого человека в процессе принятия решения.
Эти данные помогут ученым создать искусственный интеллект, который в сложном случае остановится перед принятием решения, что позволит перейти в режим ожидания и накопить информацию. Это еще один шаг к пониманию механизмов работы нашего мозга.
Источник:https://aip.scitation.org/doi/10.1063/1.5002892
Ученые показали, как выглядит стволовая клетка в 3D
Группа ученых из Института Аллена, использовав алгоритмы глубокого машинного обучения, представила алгоритм, который способен построить 3D-модель любой клетки, в том числе и по двухмерному ее изображению.
Инструмент, позволяющий работать с 3D моделью, подсвечивает различные детали клетки.Таким образом все структуры и органеллы становятся видны гораздо лучше. Набрав несколько тысяч фотографий таких подсвеченных клеток, ученые «скормили» их нейросети. После этого нейросеть смогла на основании снимка предсказывать расположение органелл и их форму.
Эксперты Института Аллена уже несколько лет занимаются подобными разработками, но раньше все они были доступны лишь для внутреннего использования. Новая программа же станет общедоступной, и она, по словам авторов, позволит понять работу клетки и понаблюдать за всеми процессами, которые происходят внутри нее.
Развитие данного направления может помочь отслеживать различные изменения, происходящие в клетках живого организма.
Источник: https://www.allencell.org/allen-integrated-cell.html
Нейросеть от Google превзошла человека в ориентировании по лабиринту
Исследователи Google из подразделения по разработке систем искусственного интеллекта DeepMind разработали нейросеть, предназначенную для поиска пути из лабиринта. В процессе обучения в программе спонтанно возникли узлы, аналогичные по функциональности и активности «нейронам решетки» — специальным нервным клеткам млекопитающих.
Рекуррентная нейросеть позволила имитировать процесс ориентации животных. В результате в одном из ее слоев активность четверти элементов оказалась похожа на специфические сигналы клеток животных. Нейросеть смогла эффективно ориентироваться в сложном, незнакомом и меняющемся со временем виртуальном лабиринте лучше, чем тренированный человек.
Способность программы с нуля действовать так же, как человек, вселяет в авторов уверенность, что подобный подход позволит прояснить некоторые другие особенности нервной системы, например, детали управления конечностями.
Источник: https://www.nature.com/articles/s41586-018-0102-6
DeepMind провела эксперименты, демонстрирующие схожесть поведения нейросетей и животных
Дочерняя компания Google — DeepMind — провела ряд экспериментов, доказывающих сходство обучения и поведения нейросетей и млекопитающих. Исследователи провели несколько опытов, анализирующих влияние дофамина — гормона, который вырабатывается в коре головного мозга и отвечает за чувство удовольствия. Однако ученые предположили, что роль вещества гораздо шире и оно влияет на быстроту и гибкость обучения человека.
Для подтверждения гипотезы ученые смоделировали рекуррентную нейронную сеть, способную анализировать действия и наблюдения, а затем «делать выводы». В рамках эксперимента ИИ должен был сделать выбор между несколькими изображениями. Одна из двух картинок всегда сопровождалась вознаграждением — аналогом влияния дофамина на организм человека. Вскоре сеть научилась выбирать из ранее незнакомых изображений те, за которые вероятнее получить поощрение.
В качестве первого шага рекуррентную сеть обучали определению местонахождения в виртуальном пространстве с использованием преимущественно сигналов скорости. Эта способность обычно используется млекопитающими при перемещении по незнакомым местам или в ситуациях, когда трудно обнаружить ориентиры. В итоге исследователи выяснили, что в сети спонтанно возникают решетчатые единицы (аналог нейронов решетки), демонстрирующие сходство с нейронной активностью млекопитающих.
Источник: https://deepmind.com/blog/prefrontal-cortex-meta-reinforcement-learning-system/
Ученые применили искусственный интеллект для прогнозирования вспышек эпидемий.
Специалисты Института медицинских исследований Малайзии разработали компьютерную программу, способную предсказывать очаги возникновения лихорадки денге. Этим вирусным заболеванием в странах Южной Америки, Юго-Восточной Азии и Африки ежегодно страдает 50 млн человек.
Система, получившая название Artificial Intelligence in Medical Epidemiology (AIME, «Искусственный интеллект в медицинской эпидемиологии»), основана на сопоставлении параметров, которые с большой долей вероятности приводят к стремительному распространению вируса внутри популяции. Входными данными служит информация о количестве зарегистрированных случаев заболевания, плотности населения, рельефе местности, климате и другие факторы, влияющие на развитие эпидемии. Нейросеть анализирует параметры и выдает прогноз о появлении новых очагов болезни в конкретных регионах.
Программа AIME уже опробована на реальных данных. Точность прогнозов появления новых очагов лихорадки денге в Бразилии и на Филиппинах составила 84%.
Создатели компьютерной программы рассчитывают, что развитие технологий позволит им с большей точностью прогнозировать возникновение эпидемий денге, а в дальнейшем AIME сможет использоваться и для предотвращения других вирусных заболеваний. В отчете Всемирной организации здравоохранения содержатся сведения, что каждый год инфекционные болезни уносят 14 млн жизней. Снижение смертности в результате эпидемий является одной из первостепенных задач ВОЗ.
Нейросеть помогла засушить любящих соль архей
Российские ученые посредством нейросети определили самые оптимальные условия для длительного хранения микроорганизмов, выживающих при экстремально высокой солености. Исследования поддержаны грантом Российского научного фонда (РНФ).
Используя модель искусственной нейронной сети, исследователи смогли подобрать лучшие параметры консервации микроорганизмов. Нейронная сеть обучается на примерах различных условий и различных исходов эксперимента, после чего предсказывает результат для любых заданных входных параметров. Ученые использовали метод распылительной сушки для нескольких образцов биомассы с Halobacterium salinarum, каждый раз изменяя один или несколько параметров: температуру воздушной струи, высушивающей препарат, ее интенсивность и скорость, а также интенсивность распыления биомассы. Таким образом, данные параметры послужили в качестве «входных нейронов» нейросети. «Выходными нейронами» стала концентрация каротиноидов через 4, 6 и 12 месяцев после эксперимента. В результате нейронная сеть подобрала оптимальные параметры распылительной сушки, при которых сохранность каротиноидов максимальная, а повреждения микроорганизмов – минимальные.
В экспериментах клетки микроорганизмов высушивались, «прячась» в кристаллы соли. В дальнейших исследованиях ученые планируют провести аналогичные эксперименты с использованием органических протекторов, например, полисахаридов.
Источник: https://indicator.ru/news/2018/05/26/nejroset-arhei/
Автор: Олеся Сидорова
Перепечатка разрешается при сохранении ссылок на источник публикации.
