|
Как понимать сложные биологические данные
|
|
|
|
Исследователи из Кардиффского университета представили на Международной конференции по машинному обучению 2026 года (ICML 2026) два исследования, в которых рассматриваются фундаментальные проблемы современного искусственного интеллекта: понимание сложной геометрии и взаимосвязей в данных и распознавание закономерностей, возникающих в самых разных масштабах.
|
|
|
|
Доктор Ю Чжоу, старший преподаватель медицинской школы Кардиффского университета и ведущий автор исследований, сказал: "Биологические исследования генерируют огромное количество сложных данных, но большая часть современных ИИ все еще пытается понять, как устроены биологические системы естественным образом. Клетки взаимодействуют внутри тканей, и важные закономерности могут проявляться в самых разных масштабах.
|
|
|
|
"Наши исследования направлены на решение этих задач путем разработки методов искусственного интеллекта, которые позволяют лучше понимать как геометрию биологических данных, так и взаимосвязи между локальными деталями и крупномасштабными структурами".
|
|
|
|
Vector Bundle Attention (VBA) — Обучение ИИ пониманию геометрии в биологии
|
|
|
|
В первой статье "VBA: Vector Bundle Attention для изучения геометрических представлений" исследователи представляют новую архитектуру ИИ Vector Bundle Attention (VBA), которая переосмысливает то, как машины сравнивают и интерпретируют информацию.
|
|
|
|
|
|
|
"Большинство современных продвинутых систем искусственного интеллекта построены на преобразователях, которые используют механизм для определения того, как различные фрагменты информации соотносятся друг с другом. Несмотря на свою высокую эффективность, традиционные механизмы внимания не учитывают геометрическую структуру, лежащую в основе многих сложных данных, — добавил Чжоу.
|
|
|
|
Геометрические ограничения ИИ особенно важны в биологии, где отдельные клетки не являются изолированными единицами данных. Они существуют в рамках сложных молекулярных и пространственных взаимосвязей, которые влияют на функционирование тканей и развитие заболеваний.
|
|
|
|
Модель VBA включает геометрические взаимосвязи непосредственно в механизм внимания ИИ, сопоставляя информацию о клетках в соответствии с их геометрией, прежде чем проводить сравнения при моделировании биологических систем.
|
|
|
|
Для тестирования модели VBA исследователи использовали секвенирование одноклеточной РНК и пространственную транскриптомику — технологии, которые позволяют изучать молекулярные характеристики отдельных клеток и понимать, как они организованы в тканях. Модель VBA показала наилучшие результаты в задачах, связанных с секвенированием одноклеточной РНК, высокую эффективность в пространственной транскриптомике и конкурентоспособные результаты на 3D- наборах данных, что свидетельствует о ее потенциале за пределами биомедицинских применений.
|
|
Динамическая фрактальная модель Mamba — помогает ИИ видеть как детали, так и общую картину.
|
|
|
|
Во второй статье под названием «Динамическая фрактальная модель Mamba: нейронный ренормгрупповой поток для моделирования последовательностей с инвариантностью к масштабу» вторая модель ИИ, Динамическая фрактальная модель Mamba (Dynamic Fractal Mamba, DF-Mamba), решает еще одну важную задачу в области ИИ — понимание информации, представленной в совершенно разных масштабах.
|
|
|
|
«Многие системы искусственного интеллекта с трудом справляются с задачей обобщения, когда их обучают на относительно небольших сегментах данных, а затем применяют к гораздо более крупным наборам данных. В биомедицинских исследованиях это серьезная проблема», — говорит Чжоу.
|
|
|
|
Вдохновленная концепциями из физики, которые используются для описания поведения систем в разных масштабах, модель DF-Mamba многократно применяет одни и те же изученные правила, переходя от более мелких паттернов к более крупным. Это позволяет модели эффективно интегрировать информацию в более широкий контекст.
|
|
|
|
Модель DF-Mamba обучается на данных меньшего масштаба и может успешно анализировать гораздо более крупные наборы данных, с которыми она ранее не сталкивалась, без необходимости переобучения.
|
|
|
|
Эти два новых подхода решают актуальные проблемы, связанные с использованием искусственного интеллекта для анализа биологических данных, в том числе проблемы, связанные с геометрической взаимосвязью информации и взаимосвязями между паттернами в разных масштабах.
|
|
|
|
Чжоу говорит: «Особенно интересно то, что проблемы, возникающие в биомедицинских исследованиях, стимулируют развитие самого искусственного интеллекта. Исследования, вдохновленные биомедицинскими задачами, могут способствовать не только развитию биомедицинской науки, но и фундаментальному прогрессу в области искусственного интеллекта.
|
|
|
|
Мы надеемся, что эти подходы в конечном итоге дадут ученым более мощные инструменты для изучения сложных биологических систем и помогут в развитии прецизионной медицины».
|
|
|
|
Источник
|
