Вячеслав Котрачев «Data Science в Life Sciences»

В настоящее время life sciences (науки о жизни) - одна из самых бурно развивающихся прикладных научных областей. Data science (наука о данных) с начала 2010-х годов тоже стала очень популярной - во многом благодаря росту вычислительной мощности машин, с одной стороны, и росту количества данных в цифровом виде, с другой.

Вячеслав расскажет как наука о данных помогает наукам о жизни делать мир лучше:
- что такое life sciences и что они изучают;
- что такое data science и чем она занимается;
- как data science работает в life sciences — а если не работает, то почему;
- какие проблемы life sciences решают в Аркадии при помощи data science.

Transcript

1. Data Science в Life Sciences
2. О себе • 18 лет в IT • Frontend, backend, DB – MS stack • C++ -> .NET -> R/Python
3. Что такое Data Science Domain knowledge Data science Machine learning
4. Machine Learning Задача Набор частных случаев Модель
5. Machine Learning / Training set f1 f2 … fm x1 x2 xn
6. Machine Learning / Training set f1 f2 … fm x1 x2 xn X Y Model
7. Machine Learning / Training set f1 f2 … fm x1 x2 xn X Y Model Func<X, Y>
8. Machine Learning Train Predict Training set X, Y Trained model New data X Y
9. Machine Learning Train neural network Predict Training set X, Y Trained neural network New data X Y Train linear model Predict Training set X, Y Trained linear model New data X Y
10. Life sciences • Agriculture, Fisheries & Food • Anatomy & Morphology • Behavioral Sciences • Biology, Biochemistry and Biotechnology • Biophysics • Ecology, Evolution & Environment • Entomology • Forestry • Genetics & Heredity • Immunology • Mycology • Paleontology • Parasitology • Pharmacology & Pharmacy • Physiology • Plant Sciences • Toxicology • Veterinary Sciences • Virology • Zoology • …
11. Пример – компьютерная диагностика A B C
12. Пример – компьютерная диагностика Опыт Диагноз
13. Классификация изображений Вероятности принадлежности изображения к одному из трёх классов. В сумме равны единице.
14. Классификация изображений Вероятности принадлежности изображения к одному из трёх классов. В сумме равны единице. 0.2 0.1 0.7
15. Классификация изображений
16. Классификация изображений Сегментирование Извлечение признаков Классификация На что смотрим Как представляем К чему относится
17. Нейросеть
18. Перцептрон Входы Выход Скрытый слой
19. Модель нейрона x1 x2 x3 w1 w2 w3 y
20. Модель нейрона x1 x2 x3 w1 w2 w3 y Веса (weights) Алгоритм настраивает
21. Свёрточная нейросеть / Свёртка
22. Свёрточная нейросеть / Субдискретизация
23. Свёрточная нейросеть
24. Пример – компьютерная диагностика • Сегментирование: на что именно смотрим? • Извлечение признаков: как представляем? • Классификация: к какому классу относится представление?
25. Классификация пикселей 0.2 0.8
26. Классификация пикселей
27. Классификация пикселей 2
28. Классификация пикселей http://cvlab.postech.ac.kr/research/deconvnet/ Fully Convolutional Network
29. Пример – компьютерная диагностика • Сегментирование: на что именно смотрим? • Извлечение признаков: как представляем? • Классификация: к какому классу относится представление?
30. Пример – компьютерная диагностика Feature vector
31. Пример – компьютерная диагностика • Сегментирование: на что именно смотрим? • Извлечение признаков: как представляем? • Классификация: к какому классу относится представление? 0.1 0.1 0.8
32. Пример – компьютерная диагностика • Сегментирование: на что именно смотрим? • Извлечение признаков: как представляем? • Классификация: к какому классу относится представление? 0.1 0.1 0.8 X Y NN SVM GBM logit model
33. Пример – компьютерная диагностика • Более простая форма – триаж • Классы – степени критичности • До поступления к эксперту 0.8 0.2 Помочь ASAP Подождет
34. Пример – компьютерная диагностика (2004) T Cells Cause Lung Damage in Emphysema. PLoS Med 1(1): e25. https://doi.org/10.1371/journal.pmed.0010025 0.1 0.1 0.8 0.1 0.2 0.7 0.2 0.7 0.1
35. Проблемы: переобучение Модель Обучающую выборку Заучивает наизусть А не обобщает Новых данных Ошибается на
36. Проблемы: использование не по назначению Модель Обучена на Используется на Одних данных Других данных
37. Пример – разработка лекарств
38. Пример – разработка лекарств • Найти действующее вещество с нужными свойствами • Связывается с правильным белком • Не связывается с неправильными • Перебирать все – слишком долго и дорого (1060 веществ)
39. Пример – разработка лекарств • Предсказать результат до эксперимента • Отбросить обречённые вещества • Сосредоточиться на перспективных Virtual Screening Candidates Good Bad
40. Пример – разработка лекарств Вещество Белок
41. Пример – разработка лекарств • Biosignature Based Drug Design • Известна способность некоторых веществ связываться с некоторыми белками • Предсказать эту способность для других комбинаций вещество-белок Белок 1 Белок 2 … Белок m Вещество 1 Модель 1 Модель 2 … Модель m Вещество 2 … Вещество n
42. Пример – разработка лекарств • Biosignature Based Drug Design • Известна способность некоторых веществ связываться с некоторыми белками • Предсказать эту способность для других комбинаций вещество-белок
43. Text
44. Интеллектуальный анализ текста (Text mining) • Классификация документов • Кластеризация документов • Извлечение именованных сущностей • Анализ тональности • Суммаризация текста • Извлечение отношений
45. Тематическое моделирование Document 1 … Document n
46. Представление документов Document-term matrix Document 1 … Document n
47. Тематическое моделирование Latent Dirichlet Allocation
48. Тематическое моделирование Document-term matrix CAPA 1 … CAPA n Corrective Action Preventive Action
49. IBM Watson for Oncology Истории болезни Медицинские журналы Учебники Исследования Данные нового пациента Диагноз Рекомендации по лечению
50. IBM Watson for Oncology Истории болезни Медицинские журналы Учебники Исследования Данные нового пациента Диагноз Рекомендации по лечению Из одного медцентра. Предвзятость.
51. Инструмент - NumPy, SciPy, Pandas - StatsModels - Matplotlib, Seaborn, Plotly, Bokeh - Scikit-learn - XGBoost, LightGBM - TensorFlow, Keras - dplyr, readr, data.table, xts - ggplot2, plotly - caret - gbm, XGBoost, randomForest - TensorFlow, Keras
52. Инструмент - ML.NET - https://github.com/dotnet/machinelearning/ - Microsoft Cognitive Toolkit - https://www.microsoft.com/en-us/cognitive-toolkit/ - Microsoft Cognitive Services - https://azure.microsoft.com/en-us/services/cognitive-services/ - Accord.NET - https://github.com/accord-net/framework - Encog - https://github.com/encog/encog-dotnet-core - numl - https://github.com/sethjuarez/numl - SharpLearning - https://github.com/mdabros/SharpLearning
53. Инструмент - Линейная алгебра - Математическая статистика - Методы оптимизации - Структуры данных - Теория вероятностей - Многомерный анализ - machinelearning.ru - Курс «Машинное обучение» 2014 – К.В. Воронцов. - https://www.youtube.com/results?search_query=машинное+обучение
54. Вопросы