جهان تکنولوژی، یادگیری ماشین (ML) را به عنوان قابلیت بصری قدرتمند –برای مثال در جهت افزایش کلیک‌ها در حوزه تبلیغات یا امکان تماس ارتباطی راحت با اعضای خانواده- پذیرفته است. با وجود اینکه به طور فزاینده‌ای از روش‌ها و ابزارهای طبقه‌بندی (classification) در برنامه‌های کاربردی نظیر ترانسکریپتومیکس (transcriptomics)، متابولومیکس (metabolomics) و فعالیت سیناپسی نورون ها (neuronal synaptic activities) استفاده می‌شود اما حضور یادگیری ماشین همچنان در مهندسی زیستی (bioengineering) غایب است. حال چگونه می‌توان حضور یادگیری ماشین را در مهندسی زیستی افزایش دهیم؟
الگوریتم‌های یادگیری ماشین که قدمت آن‌ها به نیم قرن پیش باز می‌گردد در حال حاضر برای تجزیه و تحلیل مسائل مبتنی بر الگو نظیر درختان تصمیم (Decision Trees)، نزدیک‌ترین همسایگی (Nearest Neighbors)، شبکه‌های عصبی (Neural Nets) مورداستفاده قرار می‌گیرند. یادگیری عمیق (Deep Learning) نیز با بهره‌گیری از سخت‌افزارهای محاسباتی قدرتمند به‌ویژه در واحدهای پردازش گرافیکی (GPUs) در صنعت بازی بسیار مورد استفاده قرار می‌گیرد.
یکی از عوارض شایع دیابت، رتینوپاتی دیابتی (diabetic retinopathy) است که اگر زود تشخیص داده نشود منجر به کوری برگشت‌ناپذیر می‌گردد. امروزه بیش از ۴۰۰ میلیون بیمار دیابتی در مناطق محروم و بدون تجهیزات مناسب تشخیص بالینی، در معرض خطر هستند. در نشریه اخیر از انتشارات JAMA، گوگل روش‌هایی از یادگیری عمیق را برای تشخیص بیماری رتینوپاتی دیابتی از عکس‌های گرفته شده از شبکیه چشم بیماران اعمال کرده است. یک مجموعه اولیه از ۱۲۸.۰۰۰ تصاویر شبکیه چشم برای نشانه‌هایی از شروع رتینوپاتی دیابتی توسط چشم‌پزشکان مورد بررسی قرار گرفت و نمره آن‌ها محاسبه شد؛ سپس با توجه به نمره ها و با استفاده از نرم‌افزار یادگیری عمیق گوگل (Deep Learning) الگوهای علائم بیماری در چشم مشخص می شود که با تصاویر دریافتی از نمونه‌های بالینی مقایسه و نتیجه اعلام می شود. نه تنها این نرم‌افزار تجزیه و تحلیل تصویر، علائم اولیه بیماری را به مانند یک متخصص به خوبی تشخیص داده بلکه نتیجه آن با اطمینان بیشتری همراه بود. در آینده ای نه چندان دور زمانی فرا می‌رسد که هر کسی با یک تلفن هوشمند قادر به تشخیص این بیماری بوده و میلیون‌ها نفر را از کور شدن نجات پیدا خواهند کرد. بسیار هیجان‌انگیز خواهد بود تا ببینیم که این الگوریتم‌ها با چه سرعتی در زمینه‌های دیگر پزشکی نظیر رادیولوژی، پاتولوژی و بیماری‌های پوستی نفوذ کرده و آن‌ها را متحول می‌نماید. کشف دارو یکی دیگر از عرصه‌هایی است که یادگیری ماشین در آن حضور دارد؛ به‌طور مثال دانشمندان در بیماری ابولا با استفاده از یادگیری عمیق به پیدا کردن الگوهایی در میان هزاران نفر پرداختند و سپس مولکول‌های مرتبط و خواص فیزیکوشیمیایی آن‌ها را مشخص نمودند.
درنهایت، بیوتکنولوژی به طور ضمنی به خوبی برای برنامه‌های کاربردی ML راه‌اندازی شده است. اگر بتوان وابستگی تاریخی به استنتاج استقرایی را با نتایج حاصل از ML مکمل هم قرار داد و بتوان زیست شناسی را به جای علم مبتنی بر کشف به سمت مهندسی سوق دهیم بنابراین ML آینده‌ای روشن را پیش رو خواهد داشت. با همه این توصیفات وقتی ML می‌تواند در گوشی‌های هوشمند مورد استفاده قرار گیرد و یا در آینده بتواند با استفاده از آن‌ها به تشخیص دیابت بپردازد، دور از انتظار نیست که با استفاده از آن بتوان برای ساختن آنتی‌بادی‌ها، واکسن‌های بهتر و موارد دیگر بهره برد.
ترجمه: عادله حقیقت حسینی
