AbiertaUGR
La búsqueda global no está activada.

MOOC Machine Learning y Big Data para la Bioinformática. 6ª Edición

  1. Página Principal
  2. Cursos
  3. MOOC´S ABIERTAUGR
  4. ml_bioinformatica_6ed
  5. MÓDULO 5: Aprendizaje Supervisado: Técnicas de clasificación
  6. Foro de debate módulo 5
Salta al contenido principal
Foro

Foro de debate módulo 5

Hilo 1: La importancia del Deep Learning en Bioinformática / Thread 1: The importance of Deep Learning in Bioinformatics

Hilo 1: La importancia del Deep Learning en Bioinformática / Thread 1: The importance of Deep Learning in Bioinformatics

de Alberto Fernández Hilario - Número de respuestas: 6

¡Hola a todos!

Quiero invitaros a participar en un apasionante debate sobre la importancia del "Deep Learning" en la clasificación de datos en el campo de la bioinformática. Este emocionante cruce entre la biología y la informática nos ofrece la oportunidad de explorar cómo las técnicas más avanzadas en inteligencia artificial pueden revolucionar nuestra comprensión de los procesos biológicos.

Como sabemos, la bioinformática se enfrenta a desafíos únicos debido a la complejidad de los datos biológicos, como las secuencias genéticas y los perfiles de expresión génica. Sin embargo, el "Deep Learning" ha emergido como una herramienta poderosa que puede aprovechar la gran cantidad de datos disponibles y extraer patrones ocultos de manera automatizada.

¿Por qué es tan importante esto? Bueno, imaginad por un momento que tiene millones de secuencias genéticas y necesitáis identificar cuáles de ellas están asociadas con una enfermedad específica. Aquí es donde entra en juego el "Deep Learning". Estas técnicas pueden aprender de manera autónoma a reconocer patrones complejos en los datos, lo que les permite realizar predicciones precisas y rápidas.

Según todo esto que os comento, ¿cuál es vuestra opinión sobre el papel del "Deep Learning" en la bioinformática? ¿Habéis podido experimentar su poder transformador en tareas de trabajo o investigación? ¿Creeis que estas técnicas son el futuro del análisis de datos biológicos?

¡Esperamos ansiosos vuestras reflexiones y experiencias en este emocionante campo de estudio!

---

Hello everyone!

I want to invite you to participate in an exciting discussion about the importance of "Deep Learning" in data classification in the field of bioinformatics. This thrilling intersection between biology and computer science offers us the opportunity to explore how the most advanced techniques in artificial intelligence can revolutionize our understanding of biological processes.

As we know, bioinformatics faces unique challenges due to the complexity of biological data, such as genetic sequences and gene expression profiles. However, "Deep Learning" has emerged as a powerful tool that can harness the vast amount of available data and extract hidden patterns in an automated way.

Why is this so important? Well, imagine for a moment that you have millions of genetic sequences and need to identify which ones are associated with a specific disease. This is where "Deep Learning" comes into play. These techniques can autonomously learn to recognize complex patterns in the data, enabling them to make precise and rapid predictions.

So, what is your opinion on the role of "Deep Learning" in bioinformatics? Have you experienced its transformative power in your work or research? Do you believe that these techniques are the future of biological data analysis?

I look forward to hearing your reflections and experiences in this exciting field of study!


En respuesta a Alberto Fernández Hilario

Re: Hilo 1: La importancia del Deep Learning en Bioinformática / Thread 1: The importance of Deep Learning in Bioinformatics

de EVA JIMÉNEZ BENAVENTE -
Considero que será el futuro de este tipo de análisis, ya que su uso ha permitido prescindir del factor humano para definir los parámetros de búsqueda de manera previa, este hecho permite eliminar el sesgo humano en este paso y extraer patrones más complejos. En mi ámbito, la biotecnología vegetal y agroalimentaria, la tecnología DL puede emplearse por ejemplo, para el diseño de proteínas de novo o para la agricultura de presión y la edición genética de cultivos.

I believe this will be the future of this type of analysis, as its use has made it possible to move away from the human factor when defining search parameters beforehand. This fact allows for the elimination of human bias in this step and the extraction of more complex patterns. In my field—plant and food biotechnology—DL technology can be used, for example, for de novo protein design or for precision agriculture and genetic crop editing.
En respuesta a EVA JIMÉNEZ BENAVENTE

Re: Hilo 1: La importancia del Deep Learning en Bioinformática / Thread 1: The importance of Deep Learning in Bioinformatics

de Alberto Fernández Hilario -
Hola Eva,
gracias por tu aportación en este foro de discusión.
Lo que comentas tiene mucho que ver con un campo que se denomina AutoML: https://developers.google.com/machine-learning/crash-course/automl?hl=es-419
Los modelos de DL son muy potentes, pero difíciles de configurar, por lo que dependiendo de las características del problema y la métrica de calidad que se determina como objetivo, es fácil encontrar de manera automática un buen modelo para ello. La clave en estos casos es determinar si el esfuerzo computacional merece la pena, es decir, si la cantidad de datos o la complejidad del problema es tal que se necesita una aproximación tan potente. En muchos casos, cuando los datos son escasos, bastaría con utilizar la batería de los modelos "clásicos".
Un saludo!
---
Hi Eva,
Thank you for your contribution to this discussion forum.
What you're describing has a lot to do with a field called AutoML: https://developers.google.com/machine-learning/crash-course/automl?hl=es-419
DL models are very powerful but difficult to configure, so depending on the characteristics of the problem and the quality metric set as the objective, it’s easy to automatically find a good model for it. The key in these cases is to determine whether the computational effort is worth it—that is, whether the amount of data or the complexity of the problem is such that such a powerful approach is necessary. In many cases, when data is scarce, it would suffice to use the suite of “classical” models.
Best regards!
En respuesta a EVA JIMÉNEZ BENAVENTE

Re: Hilo 1: La importancia del Deep Learning en Bioinformática / Thread 1: The importance of Deep Learning in Bioinformatics

de Francesco Blasio -
Personalmente, considero que el Deep Learning representa el futuro del análisis biológico. No obstante, en ciertos contextos sigo pensando que existen modelos más eficientes dependiendo del tipo de datos y del objetivo del estudio. Por ejemplo, en el campo de la selección genómica asistida (Genomic Assisted Breeding), se han publicado numerosos trabajos en los que las técnicas de boosting han mostrado un rendimiento muy sólido.
Por otro lado, en áreas como el análisis de imágenes por ejemplo, en el fenotipado de plantas, en el ámbito sanitario, así como en los análisis posteriores a estudios GWAS, el Deep Learning en mí opinion tiene un papel fundamental, gracias a su capacidad de mejorar la precisión predictiva de los modelos.
--------------------------------------
Personally, I believe that Deep Learning represents the future of biological analysis. However, in certain contexts, I still think there are more efficient models depending on the data type and the study’s objective. For instance, in the field of Genomic Assisted Breeding, many studies have shown that boosting techniques can perform remarkably well.
On the other hand, in areas such as image analysis for example, in plant phenotyping or medical imaging as well as in post-GWAS analyses, Deep Learning is likely to play a crucial role due to its ability to capture complex patterns and enhance model predictive accuracy.
En respuesta a Francesco Blasio

Re: Hilo 1: La importancia del Deep Learning en Bioinformática / Thread 1: The importance of Deep Learning in Bioinformatics

de Alberto Fernández Hilario -
Gracias Francesco. Hablamos de Deep Learning, pero la extensión en modelos fundacionales también es un plus. Recientemente un compañero compartió conmigo TabPFN, y parece que supera con creces a todo lo publicado. Del mismo modo que compartía con Eva, es necesario determinar si realmente necesitamos esa potencia en función de las necesidades y restricciones de nuestro problema, pero de todos modos guardadlo en la recámara porque va a dar mucho juego: https://towardsdatascience.com/exploring-tabpfn-a-foundation-model-built-for-tabular-data/

---

Thanks, Francesco. We’re talking about deep learning, but the fact that it can be extended to foundational models is also a bonus. A colleague recently shared TabPFN with me, and it seems to far surpass everything that’s been published so far. As I mentioned to Eva, we need to determine whether we actually need that level of power based on the requirements and constraints of our problem, but keep it in mind anyway because it’s going to be very useful: https://towardsdatascience.com/exploring-tabpfn-a-foundation-model-built-for-tabular-data/
En respuesta a Alberto Fernández Hilario

Re: Hilo 1: La importancia del Deep Learning en Bioinformática / Thread 1: The importance of Deep Learning in Bioinformatics

de Roberto Fernando Cabezas Cabezas -
Desde mi visión en telecomunicaciones, el Deep Learning en bioinformática se parece mucho a cómo trabajamos con señales complejas; así como buscamos transmitir datos de forma eficiente, estas técnicas ayudan a entender grandes volúmenes de información biológica.
Ambos campos enfrentan retos similares, como el ruido y la detección de patrones. además, las telecomunicaciones permiten que estos datos se compartan y analicen en tiempo real.
En definitiva, esta combinación abre muchas oportunidades para innovar en ciencia y tecnología.
En respuesta a Roberto Fernando Cabezas Cabezas

Re: Hilo 1: La importancia del Deep Learning en Bioinformática / Thread 1: The importance of Deep Learning in Bioinformatics

de Alberto Fernández Hilario -
Hola Roberto,
veo que ayer estuviste especialmente activo en foros, lo cual agradecemos sinceramente.
Me ha llamado la atención el comentario que realizas sobre el tema del "ruido", ya que la calidad de datos y cómo puede influir en el entrenamiento de los modelos, especialmente aquellos que puedan ser más sensibles a estas variaciones, es un tema importante. Me planteo dos cuestiones para abrir el debate:
1) ¿Qué tipo de datos en biomedicina y bioinformática consideráis que son más propensos a contener ruido?
2) ¿De qué forma se podrían "curar" los datos para reducir eta influencia del posible ruido?
Saludos,
Alberto.

---

Hi Roberto,
I see you were particularly active on the forums yesterday, for which we are sincerely grateful.
Your comment on the topic of “noise” caught my attention, since data quality and how it can influence model training—especially for models that may be more sensitive to these variations—is an important issue. I have two questions to kick off the discussion:
1) What types of data in biomedicine and bioinformatics do you think are most likely to contain noise?
2) How could the data be “cleaned” to reduce the influence of potential noise?
Best regards,
Alberto.
◄ Cuestionario módulo 4
5.1. Clasificación: ¿Qué, para qué y cómo? ►

Centro de Producción de Recursos para la Universidad Digital

abierta UGR
AbiertaUGR

Copyright © Universidad de Granada