ПРИМЕНЕНИЕ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В ГЕНЕТИКЕ

Искусственный интеллект (ИИ) стал неотъемлемой частью многих сфер современной жизни, и генетика не исключение. В последние годы применение ИИ в генетике стало популярным и актуальным, поскольку оно способствует продвижению науки, разработке новых технологий и решений в области геномики и генной терапии.

С одной стороны, ИИ помогает в анализе больших объемов данных, связанных с геномами, и в выявлении полезных генетических маркеров или связей между генами, которые могут быть ключом к решению различных медицинских проблем. Также ИИ применяется для моделирования процессов, происходящих на молекулярном уровне, и для предсказания возможных последствий генетических изменений.

С другой стороны, ИИ способствует развитию генной терапии, поскольку позволяет создавать более точные и направленные генетические манипуляции, что потенциально может привести к более эффективным методам лечения генетических заболеваний. Кроме того, ИИ может помочь в разработке новых методов клонирования и генетической инженерии, что также может привести к новаторским технологиям в различных областях.

Таким образом, применение искусственного интеллекта в генетике является актуальным и перспективным направлением развития науки и техники, которое может принести значительные преимущества и открытия в области здравоохранения, сельского хозяйства, биотехнологии и других сферах.

Введение. 3

Генетический алгоритм.. 3

История информатизации генетики и эволюционных процессов. 4

Методы искусственного интеллекта в селекции. 6

Примеры использования программ искусственного интеллекта в генетических исследованиях. 10

Мнение. 12

Выводы.. 12

Библиографический список 13

1. Анисимова Э.С. Генетические алгоритмы // Экономика и социум. №2(15) 2015, с. 384-388. URL: https://cyberleninka.ru/article/n/geneticheskie-algoritmy-2 (дата обращения: 17.06.2024)

2. Анчеков М.И., Боготова З.И. Применение методов искусственного интеллекта в селекции // Известия Кабардино-Балкарского научного центра РАН № 6 (98) 2020. URL: https://cyberleninka.ru/article/n/primenenie-metodov-iskusstvennogo-intellekta-v-selektsii (дата обращения: 17.06.2024)

3. Гайфуллин Е.О. Искусственный интеллект в медицине. URL: https://cyberleninka.ru/article/n/iskusstvennyy-intellekt-v-meditsine-5 (дата обращения: 17.06.2024)

4. Фершт В.М., Латкин А.П., Иванова В.Н. Современные подходы к использованию искусственного интеллекта в медицине // Территория новых возможностей. Вестник Владивостокского государственного университета экономики и сервиса. 2020. №1. С. 121-125.

5. Дедов И.И., Мокрышева Н.Г., Шестакова М.В. Перспективы создания национального центра персонализированной медицины эндокринных заболеваний. URL: https://cyberleninka.ru/article/n/perspektivy-sozdaniya-natsionalnogo-tsentra-personalizirovannoy-meditsiny-endokrinnyh-zabolevaniy (дата обращения: 17.06.2024)

6. Бондаренко В.Ю. и др. Анализ фенотипа декоративных растений с использованием искусственных нейронных сетей: определение таксономических и физиологических характеристик // Журнал Белорусского государственного университета. Биология. № 1. 25-32.

7. Русанов И.А., Павлюк Н.Т., Ващенко Т.Г., Голева Г.Г. Нейронная сеть как способ классификации исходного материала озимой пшеницы // Вестник Воронежского государственного аграрного университета. 2010. № 3. С. 27-31.

8. Lu H. etc. Fine-grained maize tassel trait characterization with multi-view representations // Computers and Electronics in Agriculture. Elsevier BV. 2015. V. 118. Pp. 143-158.

9. Xiong X. etc. Panicle-SEG: a robust image segmentation method for rice panicles in the field based on deep learning and superpixel optimization // Plant Methods. Springer Science and Business Media LLC, 2017. V. 13. № 1.

10. Gianola D. etc. Predicting complex quantitative traits with Bayesian neural networks: a case study with Jersey cows and wheat // BMC Genet. 2011. V. 12. № 1. P. 87.

11. Khaki S., Khalilzadeh Z., Wang L. Predicting yield performance of parents in plant breeding: A neural collaborative filtering approach // PLoS ONE. 2020. V. 15. № 5.

12. Grinberg N.F., Orhobor O.I., King R.D. An evaluation of machine-learning for predicting phenotype: studies in yeast, rice, and wheat // Mach Learn. 2019. V. 109. № 2. Pp. 251-277.

13. Azimzadeh M. etc. Computer aided selection in breeding programs using genetic algorithm in MATLAB program // Span J Agric Res. 2010. Т. 8. № 3. P. 672.

14. Purbarani S. C., Wasito I., Kusuma I. Adaptive genetic algorithm for reliable training population in plant breeding genomic selection // 2016 International Conference on Advanced Computer Science and Information Systems (ICACSIS): IEEE, 2016.