인공 지능은 산업 전반에 걸쳐 파도를 만들고 있지만 다른 분야에서는 다른 분야에서 그 영향이 더 높습니다. 의학 및 기타 과학은 데이터가 많은 작업과 속도와 정확성에 대한 수요로 인해이 기술로부터 많은 것을 얻을 수 있습니다. 이 분야에서 유전자 편집은 AI에 대한 유망한 사용 사례입니다.
살아있는 유기체에서 특정 결과를 제어하기 위해 유전자를 변형시키는 관행은 처음으로 소설에 나타 났지만 1960 년대에 실제 실험에서 나타났습니다. 수십 년 동안, 그것은 몇 가지 최첨단 의료 혁신과 연구 가능성을 생산하기 위해 진화했습니다. 그럼에도 불구하고 과학자들은 유전자 편집이 달성 할 수있는 표면을 긁었습니다. AI는 다음 큰 단계가 될 수 있습니다.
AI가 유전자 편집을 변경하는 방법
연구원들은 이미 유전자 연구 및 편집에서 AI를 실험하기 시작했습니다. 비교적 새로운 개념 임에도 불구하고 이미 인상적인 결과를 얻었습니다.
증가 된 유전자 편집 정확도
유전자 편집에서 AI의 가장 주목할만한 장점 중 하나는이 프로세스 정확도를 향상시키는 능력입니다. 어떤 유전자가 어떤 변화를 생성하는지 분류하는 것은 신뢰할 수있는 유전자 편집에 중요하지만 역사적으로 복잡하고 오류가 발생했습니다. AI는 이러한 관계를 추가 정밀도로 식별 할 수 있습니다.
2023 연구는 기계 학습 모델을 개발했습니다 최대 90% 정확도를 달성했습니다 돌연변이가 유해한 지 양성인지를 결정할 때. 이 통찰력은 의료 전문가가 무엇을 찾아야하는지 이해하거나 건강한 결과를 방지하기 위해 치료할 유전자를 식별하는 데 도움이됩니다.
유전자 편집의 정확도는 또한 DNA와 단백질 사이의 복잡한 관계를 이해하는 문제입니다. 유전자 서열에 부착하고 제거 할 때 적절한 단백질 구조를 사용하는 것이 필수적이다. 과학자들은 최근 AI가 할 수 있음을 발견했습니다 490 억 개의 단백질 -DNA 상호 작용을 분석합니다 특정 유전자 가닥에 대한 신뢰할 수있는 편집 메커니즘을 개발합니다.
간소화 된 게놈 연구
AI는 게놈 편집에 대한 명확성을 제공하는 것 외에도 프로세스를 가속화합니다. 예측 분석 모델은 실제 수동 수동 테스트보다 훨씬 빠른 유전자 물질의 다양한 조합 간의 상호 작용을 시뮬레이션 할 수 있습니다. 결과적으로, 그들은 유망한 연구 영역을 강조하여 덜 획기적인 시간을 초래할 수 있습니다.
이 AI 사용 사례는 바이오 제약 회사가 기록적인 시간에 Covid-19 백신을 제공하는 데 도움이되었습니다. Moderna는 생산 및 테스트되었습니다 1,000 개가 넘는 RNA 가닥 수동 방법이 30 만 생성되었을 때 매월. 머신 러닝 속도가 없으면 Covid-19와 싸우는 데 가장 유망한 유전자 상호 작용을 인식하는 데 훨씬 더 오래 걸렸을 것입니다.
이러한 응용 분야는 의학 외부 결과를 유도 할 수 있습니다. 예측 분석은 유전자 편집 가능성을 모델링하여 작물을 수정하여 기후 불분명하거나 더 적은 자원을 요구할 수 있습니다. 이러한 분야의 연구 가속화는 과학자들이 최악의 영향을 미치기 전에 기후 변화를 완화하기 위해 필요한 개선을하는 데 도움이 될 것입니다.
개인화 된 약
유전자 편집에서 AI의 가장 획기적인 용도 중 일부는 더 집중된 수준으로 끌어 올립니다. 기계 학습 모델은 광범위한 유전자 경향을 보는 대신 특정 사람들의 게놈을 분석 할 수 있습니다. 이 세분화 된 분석은 개인화 된 의약품을 가능하게합니다 – 더 나은 환자 결과를 위해 개인에게 유전 적 치료를 조정합니다.
의사들은 이미 AI를 사용하여 시작했습니다 암 세포의 단백질 변화를 분석합니다 특정 사례에 어떤 치료가 가장 도움이 될지 지적합니다. 마찬가지로, 예측 분석은 환자의 고유 한 유전자 구성을 설명 할 수 있으며, 이는 치료 효능, 부작용 또는 일부 발달 가능성에 영향을 줄 수 있습니다.
건강 관리 시스템이 유전자 수준에서 개인에게 치료를 조정할 수있는 경우, 원치 않는 부작용을 최소화하고 최상의 치료를 먼저 추구 할 수 있습니다. 결과적으로, 더 많은 사람들이 더 적은 위험으로 필요한 도움을받을 수 있습니다.
유전자 편집에서 AI와 관련된 잠재적 문제
이러한 초기 사용 사례만큼 유망한 것처럼, 유전자 편집에서 AI의 적용은 잠재적 인 함정을 가지고있다. 이점에 비추어 이러한 위험을 보면 과학자 들이이 기술을 적용하는 최선의 방법을 결정하는 데 도움이 될 수 있습니다.
높은 비용
많은 새로운 기술과 마찬가지로 유전자 편집에 필요한 고급 AI 시스템은 비싸다. 유전자 편집은 이미 비용 프로세스 과정입니다. 일부 유전자 요법은 비용이 많이 듭니다. 치료 당 350 만 달러 – 기계 학습은 더 그렇게 만들 수 있습니다. 다른 기술 비용을 추가하면 액세스 할 수 없습니다.
이 재정적 장벽은 윤리적 질문을 제기합니다. 유전자 편집은 강력한 기술이므로 부유 한 사람들에게만 제공되면 기존의 간호 평등의 격차를 넓힐 수 있습니다. 그러한 분열은 근로와 중산층 가정의 건강에 해를 끼치고 사회 정의 문제가 될 것입니다.
반면에 AI는 비용을 절감 할 수있는 잠재력이 있습니다. 간소화 된 연구와 오류가 줄어들면서 기술 개발이 빨라지고 개발자의 목적으로 더 낮은 가격을 정당화 할 수 있습니다. 결과적으로, 유전자 편집은 더 접근하기 쉬워 질 수 있지만 회사 가이 목표를 염두에두고 AI를 사용하는 경우에만 가능합니다.
안전 문제
AI의 신뢰성은 또 다른 관심사입니다. 기계 학습은 많은 경우에 놀랍도록 정확하지만 불완전하지만 사람들은 정밀도에 대한 극적인 주장으로 인해 과도한 경향이 있습니다. 유전자 편집 맥락에서, 이것은 사람들이 AI 오류를 발견하지 못하면 상당한 감독으로 이어질 수 있으며, 잠재적으로 의학적 피해 또는 작물 손상으로 이어질 수 있습니다.
환각 외에도 기계 학습 모델은 인간 편견을 과장하는 경향이 있습니다. 이러한 경향은 특히 기존 연구 기관에 역사적 편견이 포함 된 건강 관리와 관련이 있습니다. 이러한 누락으로 인해 흑색 종 감지 AI 모델은 다음과 같습니다 절반 만 정확합니다 백인 인구에 비해 흑인 환자를 진단 할 때. 의사가 그러한 분석에 대한 유전자 편집 결정을 기준으로 할 때도 비슷한 경향이 심각한 결과를 초래할 수 있습니다.
이러한 오류를 발견하거나 설명하지 않으면 개인화 된 의약품, 작물 증강 및 유사한 유전자 편집 응용 프로그램의 주요 이점에 대응할 수 있습니다. 이와 같은 신뢰성 문제는 또한 까다로울 수 있으며, 관행을 더욱 복잡하게 만들 수 있습니다.
AI 유전자 편집이 여기에서 갈 수있는 곳
AI 유전자 편집의 미래는 개발자와 최종 사용자가 장애물을 해결하는 동안 장애물을 해결하는 방법에 대한 힌지입니다. 설명 가능한 AI 모델은 긍정적 인 단계를 제공 할 것입니다. 머신 러닝 알고리즘이 결정에 어떻게 도달하는지 명확하게하면 편견 및 오류에 대해 판단하기가 더 쉽고 안전한 의사 결정이 가능합니다.
인상적이지만 비싼 프로세스보다 효율성과 오류 감소를 위해 AI를 강조하면 비용 문제를 설명하는 데 도움이됩니다. 일부 연구자들은 AI가 할 수 있다고 생각합니다 유전자 치료 비용을 거의 $ 0로 가져옵니다 연구, 생산 및 전달의 많은 합병증을 제거함으로써. 초기 실험은 이미 전달 효율의 기하 급수적 인 개선을 일으켰으므로 추가 발전으로 유전자 편집에 접근 할 수 있습니다.
궁극적으로 AI 유전자 치료 연구가 무엇에 초점을 맞추고 기술이 얼마나 빨리 진행될 수 있는지에 달려 있습니다. 조직이 올바르게 사용하면 머신 러닝은 분야를 철저히 방해 할 수 있습니다.
AI 유전자 편집은 유망한 잠재력을 가지고 있습니다
유전자 편집은 이미 의학, 농업 및 그 너머의 새로운 가능성을 잠금 해제했습니다. AI는 이러한 혜택을 더욱 발전시킬 수 있습니다.
상당한 장애물이 남아 있지만 유전자 공학의 AI의 미래는 밝게 보입니다. 변화 할 수있는 것과 어떤 문제가 수반 할 수 있는지 배우는 것은 그것이 필요한 곳으로 분야를 가져가는 첫 단계입니다.
게시물 유전자 편집에서 AI의 역할 먼저 나타났습니다 Unite.ai.
