В рамках #openbio_ML_Bootcamp мы кратко познакомили вас со всеми модулями курса, преподавателями и форматом обучения в целом. А сегодня приглашаем заглянуть непосредственно в сам курс!

Дарим вам три дня доступа к демоверсии программы «Машинное обучение в биологии и биомедицине»!

➡️ Переходите по ссылке, чтобы получить доступ 👈

Далее, в течение получаса вам на почту придет письмо со всеми деталями, и у вас будет три дня, чтобы:

➗ ознакомиться c содержанием курса (в демо версии содержится значительный объем тем, но, конечно, не все ;));
➗ форматом домашних заданий и получения обратной связи от преподавателей;
➗ функционалом платформы GetCourse в целом;
➗и убедиться, что курс «Машинное обучение в биологии и биомедицине» это именно то, что вам нужно!

Сегодня — финальный день, когда еще можно присоединиться к программе по актуальной на цене, и сделать ее еще приятнее, применив скидку 15% по промокоду BOOTCAMP.

Уже завтра цена на курс вырастет. ↗️

📲 Заинтересовала демоверсия, и вы хотите взять небольшую паузу для ее изучения?

Оставьте заявку на бесплатную консультацию сегодня, и наши менеджеры зафиксируют за вами цену, актуальную на момент публикации поста.

Также мы предоставляем различные опции для оплаты участия в нашей программе:

📈 Скидки для студентов (30%), аспирантов (10%), и гибкую систему оплаты — с банковской рассрочкой или оплатой долями через Яндекс.Сплит.

✔️ По завершению курса вы сможете оформить налоговый вычет.

Надеемся, что вы найдете для себя подходящий вариант и присоединитесь к группе обучающихся на весеннем потоке!

#openbio_полезное #openbio_ML #openbio_дарит_подарки

До старта курса: 1️⃣ 2️⃣ дней

📌 Машинное обучение в биологии и биомедицине | OpenBio.Edu — подписывайтесь!

🔭  Собрали свежие вакансии для специалистов с разным бэкграундом: биоинформатика, молекулярная генетика, транскриптомика, а также ML и CV. В подборке есть роли для тех, кто хочет углубиться в работу с медицинскими и генетическими данными, а также возможность прокачать CV-навыки в IT-компании.

А если вы хотите пообщаться с уже состоявшимся профессионалом, и лично задать волнующие вас вопросы о карьере и развитии отрасли, приходите на вебинар Ольги Кардымон (AIRI)!

📲 Встречаемся завтра, 18 февраля, в 19:00 по мск.

➡️ Регистрация по ссылке.

1️⃣  Научный сотрудник в Научный центр акушерства, гинекологии и перинатологии

Требуется специалист, который займется клонированием ДНК, сборкой генетических конструкций, выделением плазмидной ДНК в различных объемах и анализом последовательностей. Работа включает взаимодействие с базами данных и научной литературой, а также участие в междисциплинарных проектах с публикацией результатов. Кандидату необходимо высшее образование в биологии, генетике или смежных науках, знание методов молекулярной генетики и биоинформатики.

2️⃣  Junior-биоинформатик в МФТИ (анализ WGS-данных человека)

МФТИ ищет специалиста для работы с биоинформатическими пайплайнами анализа герминальных мутаций человека. Основные задачи включают поддержку и развитие существующих пайплайнов, работу с импутацией генетических данных, повышение точности методов с фокусом на редкие варианты, а также структурирование данных для проведения GWAS-исследований. Требуется высшее или незаконченное высшее образование в биоинформатике, биологии, биотехнологии или смежных областях. Необходимы уверенные знания Python и/или R, опыт работы в Linux (bash), а также понимание методов NGS-анализа (RNA-seq, ChIP-seq, WES и др.). Будет плюсом знание пайплайнов Snakemake, Nextflow, WDL, а также опыт работы с Docker, Spark и Slurm.

3️⃣  Computer Vision Researcher в IT-компанию Криптонит

Эта вакансия не связана с биомедициной, но представляет возможность развить навыки в области компьютерного зрения. В лабораторию искусственного интеллекта компании требуется специалист для работы над аналитической обработкой фото- и видеоданных. В обязанности входит разработка и внедрение в продакшн CV-моделей, проверка гипотез для улучшения качества алгоритмов и мониторинг событий в области ML/DL/CV/NLP/Audio. Кандидату должен знать современные архитектуры компьютерного зрения, владеть Python, PyTorch, Sklearn, и иметь опыт работы с Docker и CI/CD.

4️⃣  Научный сотрудник / биолог-исследователь scRNA-seq в МФТИ

Центр живых систем МФТИ ищет специалиста для изучения механизмов обновления тканей и органов эндокринной системы с применением scRNA-seq и пространственной транскриптомики. Исследования включают анализ клеточных состояний, изучение их регуляции и пространственного распределения. В обязанности входит разработка гипотез, проведение молекулярно-генетических экспериментов, трансфер технологий пространственной транскриптомики и участие в подготовке научных публикаций. Требуется высшее образование в биологии или медицине, опыт работы в биологии развития или клеточной биологии от 3 лет, знание методов молекулярной биологии и уверенный анализ научной литературы на английском языке.

5️⃣  Биоинформатик / научный сотрудник в ФГБУ ЦСП ФМБА России

Требуется специалист для работы с геномными данными патогенных микроорганизмов и вирусов. В обязанности входит анализ и структурирование больших объемов данных, работа с базами геномных последовательностей, проведение филогенетических исследований и подготовка научных статей и отчетов. Требуется высшее образование в области биологии, молекулярной биологии, биоинформатики или генетики, опыт работы с инструментами для сборки геномов, таксономической классификации и статистической обработки данных. Приветствуется знание Python или R, владение SQL, опыт работы с вычислительными кластерами (Unix, Bash, Slurm) и библиотеками для визуализации данных. Важно уверенное владение английским языком (B2+).

#openbio_вакансии

До старта курса: 8️⃣  дней

📌 Машинное обучение в биологии и биомедицине | OpenBio.Edu — подписывайтесь!

Сегодня хотим придать уверенности всем, кто еще сомневается, стоит ли идти к нам на курс « «Машинное обучение в биологии и биомедицине».

❔ Во время лекции Арсения Зинкевича в рамках цикла «Личный путь в сеньора биоинформатика», слушатели выразили опасение: могут ли биоинформатики, которые используют только классические методы ML, но не более сложные алгоритмы машинного обучения, потерять свою востребованность?
Неужели методы классического ML скоро станут не нужны? 😱

〰️ Разбираемся вместе с Арсением:

➗ Я считаю, что классические методы — это очень хорошая вещь, которая сейчас используется не так часто, как стоило бы. В последнее время выходит много статей, где пытаются натянуть нейросетевой метод на очередной объект исследования, а результат получался хуже, чем при использовании классических алгоритмов. Мое мнение здесь сходится с позицией Димы Пензара — многие применения сложного машинного обучения на самом деле притягиваются за уши. Часто бывает так, что не нужно применять сложные модели, например, нейросети, а нужно использовать классический алгоритм.

➗ Будут ли вытеснены специалисты, которые не пользуются ML вообще? Конечно, будут постепенно. Потому что если вы не используете ML, это означает, что вы не владеете очень большим пластом компетенций, которые могут быть нужны в большом ряде случаев. Я считаю, что каждому хорошему биоинформатику стоит освоить ML, либо по крайней мере научиться разбираться в нем в базовом виде.

Нужно понимать эти методы и уметь ими пользоваться, а глубина необходимого понимания будет зависеть от задач, с которыми сталкивается каждый отдельный исследователь. В любом случае, знать общую картину всегда нужно.

➗ Многие методы машинного обучение уже основательно вошли в стандартные пайплайны обработки биологических данных разного рода. Например, методы снижения размерности, такие как PCA и UMAP, используются постоянно для того, чтобы контролировать качество данных, проверить их консистентность. Какие-то методы исследователи применяют, если не каждый день, то каждый раз, когда они исследуют какую-либо зависимость в данных. Применение этих методов сильно зависит, конечно, от области внутри биоинформатики, которой вы занимаетесь, но в целом я бы сказал, что машинное обучение перешло в разряд удобств для работы и стало очень обыденным инструментом во многих применениях.

➡️ Мы убеждены, что владение даже базовыми методами ML открывает новые горизонты для исследований и делает работу биоинформатика более осмысленной и продуктивной.

Чтобы уверенно использовать машинное обучение в своей работе, приходите на курс «Машинное обучение в биологии и биомедицине», где мы поможем вам разобраться в ключевых алгоритмах, научимся применять их на практике и сделаем так, чтобы ML стал вашим надежным помощником в науке! 🤝

Оставьте заявку на бесплатную консультацию, и мы предоставим вам демодоступ к курсу на 3 дня. 🎁

#openbio_ml #openbio_webinar #openbio_interview #openbio_expert

До старта курса: 6️⃣ дней

📌 Машинное обучение в биологии и биомедицине | OpenBio.Edu — подписывайтесь!

🧬 Машинное обучение всё активнее используется в биологии и медицине, и всё больше специалистов стремятся освоить ML. Но на этом пути есть подводные камни — типичные ошибки, которые мешают корректно применять алгоритмы и методы.

Сегодня обсудим лучшие практики и их реализацию в курсе «Машинное обучение в биологии и биомедицине», чтобы сделать ваш путь в ML максимально эффективным! ↗️

❌ 1. Игнорирование особенностей медицинских данных
Биомедицинские данные бывают сложными и могут содержать разрозненные источники, дубликаты, пропущенные значения. Если не учитывать эти нюансы, можно получить искаженные выводы. Например, разное окрашивание срезов тканей у пациентов может зависеть не от биологических особенностей, а от различий в оборудовании.
✔️ Учитесь анализировать и предобрабатывать медицинские данные: устранять шум, учитывать дисбаланс классов, проверять данные на батч-эффекты, использовать методы нормализации.

На нашем курсе мы разбираем все нюансы работы с биомедицинскими данными, чтобы вы могли уверенно подходить к их обработке и анализу.

❌ 2. Изучение ML в отрыве от реальных задач
Можно выучить сотню алгоритмов, но без практики на реальных медицинских данных навыки останутся чисто теоретическими.
✔️ Пробуйте работать с реальными биомедицинскими датасетами: TCGA, PhysioNet, открытыми клиническими исследованиями. Пробуйте свои силы в реальных проектах и хакатонах, например, на Kaggle.

На курсе вас ждет много практики: анализ реальных данных, исследовательские кейсы и даже соревнование по компьютерному зрению.

❌ 3. Понимание алгоритмов ML на уровне "черного ящика"
Запустить нейросеть в пару строк легко, но если не понимать, как она работает, ошибки неизбежны. Глубокое понимание математических основ алгоритмов помогает не только выбирать модели, но и корректно интерпретировать их выводы. В медицине это особенно важно, так как на решениях модели может строиться клиническое исследование, новый протокол лечения и диагностики.
✔️ Разбирайтесь, какие факторы действительно влияют на предсказания модели и не являются ли они техническими артефактами; исследуйте ограничения каждого метода и грамотно подбирайте метрики качества

В рамках курса мы даем прочную математическую базу и глубокие объяснения, которые сделают сложные алгоритмы интуитивно понятными.

❌ 4. Отсутствие доменной экспертизы
ML-модель сама по себе – это просто инструмент. Без понимания предметной области её выводы могут оказаться бессмысленными. Например, если предсказывать эффективность препарата, но не учитывать физиологию пациентов, результат будет бесполезным.
✔️ Оценивайте биологическую обоснованность результатов работы модели и подробно изучайте свойства своего объекта. Не бойтесь выходить на контакт с экспертами и задавать им вопросы.

Наши преподаватели — специалисты в биологии, биоинформатике и анализе медицинских данных. Они помогут вам не только освоить ML, но и разобраться в ключевых биологических аспектах.

🚀 Хотите уверенно применять ML в биомедицине?

На курсе «Машинное обучение в биологии и биомедицине» мы учим не просто запускать модели одной строкой кода, а разбираться в данных, понимать алгоритмы и находить значимые инсайты. Вы получите ценные знания, поддержку экспертов и реальный опыт работы с биомедицинскими данными.

🔹Старт – 25 февраля! Присоединяйтесь и сделайте первый шаг к новым возможностям.

До старта курса: 4️⃣ дня

#openbio_ml #openbio_education

📩📥📤

📌 Машинное обучение в биологии и биомедицине | OpenBio.Edu — подписывайтесь!

Сегодня стартует обучение на весеннем потоке курса! Мы поздравляем всех учеников, кто принял решение развиваться в сфере ML вместе с нашей командой. ❤️

Также мы знаем, что многие хотели бы присоединиться, но по тем или иным причинам сомневаются.

Друзья, этот пост — для вас!

⚡️ Начните обучение на курсе «Машинное обучение в биологии и биомедицине» абсолютно бесплатно! Да-да :)⚡️

📲 Напишите в комментариях к этому посту до 4го марта включительно о том, почему вы хотите на курс. Расскажите, чем он вам пригодится, почему важен или полезен именно для вас!

Мы прочитаем все комментарии, свяжемся с авторами самых «мотивирующих» и бесплатно предоставим им доступ к первой неделе обучения.

🎁 Окончание пробной недели фиксировано, доступ будет закрыт 4го марта (независимо от даты открытия). Так что рекомендуем не откладывать, чтобы у вас было больше времени на ознакомление с курсом ;)

В рамках доступа, в течение недели с 25 февраля по 4 марта, вы сможете:

➖Ознакомиться с лекциями 1 модуля «Задачи классического ML в биологии и биомедицине»;
➖Посетить разбор кейса с предсказанием заболевания;
➖Принятие участие в живом семинаре по теме Pandas и EDA (exploratory data analysis);
➖Получить доступ в закрытый чат потока и возможность присоединиться к первым групповым дискуссиям;
➖Оценить организацию курса и уточненное расписание с разбором конкретных кейсов;
➖Узнать тему первого домашнего проекта.

Будет интересно!

Ждем ваши сообщения в комментариях.👇

#openbio_ml #openbio_education #openbio_дарит_подарки

До старта курса: 0️⃣ дней! 🥳

📌 Машинное обучение в биологии и биомедицине | OpenBio.Edu — подписывайтесь!

Вчера стартовал весенний поток курса «Машинное обучение в биологии и биомедицине». Впереди — 3,5 месяца увлекательных исследований и открытий.

Мы уверены, что каждый, кто принял решение присоединиться к этому захватывающему путешествию, получит ценные знания, освоит актуальные навыки и откроет для себя новые горизонты. ☺️

🎁 А те, кто еще не решился присоединиться к курсу, смогут пройти первую неделю курса бесплатно!

Расскажите нам о своей мотивации к обучению на курсе в этом посте, и мы бесплатно предоставим вам доступ к первой неделе обучения.

Окончание пробной недели фиксировано, доступ будет закрыт 4го марта (независимо от даты открытия). Так что рекомендуем не откладывать, чтобы у вас было больше времени на ознакомление с курсом ;)

Преподаватели курса подготовили слова мотивации для нового потока обучающихся, которыми мы с радостью делимся с вами сегодня:

🔹 Илья Воронцов:

«Биоинформатики могут не бояться, что их заменит машинное обучение и прочий искусственный интеллект.

Но тех из них, кто с ML не знаком, будут активно теснить специалисты, которые умеют его применять.

Выбирайте правильную сторону ;) »

🔹 Артем Касьянов:

«Сегодня без использования ИИ-систем не обходится, наверно, ни одна профессиональная сфера. Эти инструменты можно использовать без знания их внутреннего устройства, но гораздо полезнее (и интереснее!) применять их, зная, как все работает изнутри.

На нашем курсе мы глубоко изучим особенности работы алгоритмов для обработки биомедицинских данных – тяжелых в сборе и очень специфичных. Будете ли вы в дальнейшем работать в наукоемких областях или займетесь чем-то более традиционным — умея работать с такими данными, вы точно сможете себя чувствовать в своей тарелке, даже если в будущем уйдете из биомедицины.

Наша программа научит вас работать с неидеальными данными в неидеальных условиях. И покажет, что даже в таких условиях машинное обучение оказывается полезным.»

🔹 Александр Сарачаков:

«Друзья, поздравляем всех, кто уже погрузился в мир машинного обучения для биологии и медицины — вас ждет увлекательное путешествие и масса новых открытий! Если вы еще сомневаетесь, стоит ли начинать, помните: каждый большой успех начинается с первого шага. Машинное обучение — это ключ к будущему, который открывает двери к прорывным решениям и карьерным возможностям.

Не упустите шанс вырасти вместе с нами и превратить любопытство в реальные навыки — мы всегда ждем вас в новом потоке!»

#openbio_education

📩📥📤

📌 Машинное обучение в биологии и биомедицине | OpenBio.Edu — подписывайтесь!

🔬 От многообразия методов машинного обучения для научных задач могут разбегаться глаза. На какие вопросы помогают ответить те или иные методы ML? Как выбрать правильный метод для вашего исследования? Сколько методов вообще позволительно применять в работе? 🤔

Сегодня рассмотрим пример научной работы (в открытом доступе — советуем ознакомиться с методами!) в области онкологии, в которой использовали несколько методов ML для создания прогностической модели для пациентов со светлоклеточным раком почки (ccRCC).

➡️ Разбор живых примеров — важный компонент обучения. На курсе «Машинное обучение в биологии и медицине» мы разбираем примеры реальных исследований на биомедицинских данных, чтобы вы были готовы смело применить новые навыки в своей работе! ☺️

🎁 А прямо сейчас вы можете получить «живой пример» самого курса! До 4го марта включительно напишите в комментариях к посту, почему вы хотите пройти курс и чем он будет вам полезен, и мы откроем вам бесплатный пробный доступ к первой неделе курса.

💉 ccRCC — гетерогенная опухоль с разнородным иммунным микроокружением, которое влияет на эффективность терапии ингибиторами иммунных контрольных точек (ICI). Чтобы научиться точнее прогнозировать ответ на терапию, авторы разработали пространственно-ориентированную модель глубокого обучения для анализа пространственные взаимодействий опухолевых и иммунных клеток на гистологическом срезе. Основной интерес представляла структурная гетерогенность опухолей и ее связь с иммунной инфильтрацией и ответом на лечение.

Основные выводы:
🔷 Обнаруженная микрогетерогенность опухолей связана с потерей функции гена PBRM1 и разными иммунными состояниями, в частности — повышенной активностью PD-1 в CD8+ лимфоцитах.
🔷 Микрогетерогенность ассоциировалась с худшим прогнозом выживания и большей агрессивностью опухоли.

Рассмотрим, из каких шагов состояло исследование:

1️⃣ Сбор и обработка данных. Были использованы 1 102 гистологических изображения ccRCC из открытых баз данных (TCGA-KIRC, CM-025, DFCI-PROFILE). Данные нормализованы, проведена предварительная фильтрация качества.

2️⃣ Исследователи построили две модели компьютерного зрения: ResNet-50 классифицировала области опухоли на гистологическом срезе, а HoVerNet идентифицировала отдельные инфильтрирующие опухоль лимфоциты (TILs).

3️⃣ Данные объединены в графовые представления для выявления пространственных паттернов гетерогенности.

Кластеризация помогла выявить два типа микрогетерогенности опухоли:

➖ Пространственная: разные клеточные типы соседствуют и смешиваются;
➖ Раздельная: разные клеточные типы объединены в кластеры, но разделены между собой стромой.

4️⃣ Интеграция мультиомиксных данных выявила корреляцию микрогетерогенности опухоли с наличием мутаций в генах PBRM1, SETD2.

5️⃣ Методы классического ML использовали для прогнозирования реакции на терапию. Многофакторная Кокс-регрессия показала, что пациенты с высокой микрогетерогенностью опухоли лучше отвечают на ICI.

6️⃣ Для пространственного моделирования опухоле-иммунных взаимодействий построили графовые модели, показавшие, что у пациентов с высокой микрогетерогенностью CD8+ клетки более активны и находятся в непосредственном контакте с опухолевыми клетками.

Таким образом, сразу несколько методов машинного обучения были задействованы для решения проблемы прогнозирования:
➗ Компьютерное зрение позволило выявить новые структуры на гистологических изображениях.
➗ Кластеризация помогает выявить скрытые закономерности в опухолевой структуре.
➗ Классические ML-методы (например, регрессия) предсказывают клинические исходы.
➗ Нейросети выявляют пространственные взаимоотношения опухолевых и иммунных клеток.

🧬 Эти методы, которые вы также сможете изучить на курсе, позволяют решать реальные медицинские задачи. Освойте востребованные навыки, чтобы внести свой вклад в развитие новых подходов к терапии и диагностике болезней.

#openbio_ml

📌 Машинное обучение в биологии и биомедицине | OpenBio.Edu — подписывайтесь!

На наших вебинарах в рамках цикла «Личный путь в сеньора биоинформатика» эксперты были единодушны: хороший специалист по машинному обучению в биомедицине должен разбираться как в предметной области — понимать биологические особенности системы, с которой работает, — так и в глубинном устройстве алгоритмов, которые применяет.

Однако биоинформатика — это очень обширная и многогранная область. Во-первых, легко потеряться в разнообразии направлений внутри неё. Во-вторых, абсолютно всю биологию и все алгоритмы невозможно выучить даже за десятилетия.

❓ Как найти себя в биоинформатике и лучше понять, какие навыки пригодятся для решения разных типов задач?

🔺Разобраться в разных подходах нам помогла Ольга Кардымон, ведущий биоинформатик института AIRI — некоммерческой научной организации, занимающейся разработкой ИИ-решений для медицинских задач.

Научить вас разбираться в особенностях алгоритмов и объектов — главная задача курса «Машинное обучение в биологии и биомедицине»! Подключайтесь, если готовы заложить основы для успешной работы в ML вместе с OpenBio.

🎁 Напоминаем, что еще два дня можно бесплатно получить пробный доступ к курсу!

До 4го марта включительно напишите в комментариях о том, почему вам интересен наш курс и как он пригодится в вашей работе — и мы свяжемся с вами, чтобы открыть доступ! Никогда не поздно присоединиться, ведь даже короткое знакомство с курсом полезнее, чем вообще никакого 😉

🔺 Основные виды работы в биоинформатике — широкими мазками:

1️⃣ «Рутинная» биоинформатика

«В индустрии есть организации, которые нанимают биоинформатиков на какой-то конкретный этап работы. Например, в работе с клиническими NGS-данными есть биоинформатики, которые занимаются исключительно выравниванием на геном, или только детекцией вариантов, есть биоинформатики, которые только анализируют качество секвенирования.
Я знаю множество биоинформатиков, которые специализируются на конкретных задачах и могут заниматься ими всю жизнь. Для такой работы не нужна сильная математика, но такие специалисты отлично знают свои инструменты и как их качественно применять к разным задачам.»

2️⃣ Разработка биоинформатических инструментов

«Если хочется создавать инструменты, то точно надо усилить математику и подтянуть навыки в программировании, а также иметь терпение, чтобы изучать новинки области не только с точки зрения биологии, но и с точки зрения математики и Data Science.»

3️⃣ Анализ научных данных

«Если вы хотите интерпретировать данные, важны усидчивость и понимание молекулярно-биологических процессов. Здесь основные навыки — это владение английским языком, колоссальное желание развиваться в области биоинформатики и усидчивость, особенно на этапе обучения — для изучения разных программ и молекулярной биологии и тестирования различных инструментов под вашу задачу. Это нужно, чтобы ты понимал, для чего ты это делаешь, как это работает.»

4️⃣ Интерпретация клинических данных — особенности

«Необходимо понимание молекулярно-биологических процессов, взаимодействие с врачом, а также эмпатия к пациенту. Я видела истории, когда интерпретатор генетических вариантов не очень понимает, насколько важно семье получить результат в срок, и не просто получить, а быть в нем уверенным на 100% — либо что генетического варианта нет, либо что он есть и имеет определённый класс патогенности. Такие данные нужно отдавать ответственно и понимая, что за твоим результатом стоит конкретная семья, конкретный врач и конкретные медицинские решения.»

➡️ Биоинформатика с применением машинного обучения открывает множество возможностей для самореализации в значимых и захватывающих областях. Пробуйте новое, исследуйте и экспериментируйте — и вы обязательно найдёте сферу, которая вас увлечет и позволит раскрыть ваш потенциал.

А мы позаботимся о том, чтобы у вас были крепкие «харды» на старте! :)

#openbio_ml #openbio_webinar #openbio_interview #openbio_expert

📌 Машинное обучение в биологии и биомедицине | OpenBio.Edu — подписывайтесь!

🔭 Всем привет! Мы немного отдохнули после запуска курса, а теперь восстанавливаем активность и продолжаем делиться с вами новостями из мира ML в биологии и биомедицины ☺️

Сегодня подобрали небольшой дайджест событий в сфере биотеха и IT, на которых можно получить полезные знания, познакомиться со специалистами из академии и индустрии и прокачать свои навыки в ML.

1️⃣ 19 марта | Семинар по МЛ в геномике: «Как функциональная геномика может помочь при исследовании эволюции?»

Уже завтра пройдет семинар для тех, кто хочет глубже разобраться в применении машинного обучения в биоинформатике и понять, как его используют в современной генетике. Это возможность дополнительно встретиться со спикером курса «Машинное обучение в биологии и биомедицине» Артёмом Касьяновым! Он расскажет, как современные омиксные технологии — RNA-seq, ChIP-seq, Hi-C — помогают исследовать эволюционные процессы, а также представит подходы, позволяющие анализировать экспрессию генов и выявлять события положительного отбора в популяциях.

2️⃣ 4–24 апреля | Дни компьютерных наук ФКН НИУ ВШЭ

Фестиваль объединяет студентов, преподавателей, исследователей и всех, кто интересуется IT. В программе — лекции, дискуссии, квизы и кинопоказы. Для тех, кто только начинает изучать машинное обучение, особенно полезными будут тренинги по ML и прикладному программированию. Это хорошая возможность не только освоить новые технологии, но и пообщаться с экспертами и представителями IT-компаний.

3️⃣ 16–17 мая | ML-конференция: от обучения до эксплуатации моделей (IML Conf)

Конференция ориентирована на практическое применение машинного обучения в самых разных сферах, включая медицину и биотех. В программе — доклады и мастер-классы по NLP, Computer Vision, Big Data, MLOps и другим ключевым темам. Участники смогут узнать, как организуется полный цикл работы с ML-моделями: от обучения до внедрения в реальный продукт. Для тех, кто только начинает разбираться в этой области, это возможность услышать реальные кейсы и познакомиться с профессиональным сообществом.

4️⃣ 21–23 мая | Саммит разработчиков лекарственных препаратов «Сириус.Биотех»

Саммит посвящен ключевым технологическим платформам разработки лекарств и последним трендам в биофармацевтике. Ведущие эксперты отрасли расскажут о современных подходах к созданию и производству препаратов, а также о возможностях карьерного роста в этой области. Для студентов и молодых ученых это не только шанс получить актуальные знания, но и возможность наладить контакты с потенциальными работодателями и партнерами.

⤵️Прошедшее, но полезное⤵️

5️⃣ IX Всероссийская конференция по ИИ в здравоохранении («ИТМ ИИ»)

Конференция собрала специалистов, работающих с искусственным интеллектом в медицине. В докладах обсуждались реальные кейсы внедрения ML-моделей в клиническую практику в РФ, а также вопросы регулирования и оценки качества ИИ-систем.

Записи докладов с конференции можно найти в свободном доступе во Вконтакте или на сайте ИТМ (нужна регистрация) — если вам любопытно, как именно новые технологии используются для анализа медицинских данных в настоящей врачебной практике, это отличная возможность погрузиться в тему.

#openbio_news

📌 Машинное обучение в биологии и биомедицине | OpenBio.Edu — подписывайтесь!

Сегодня отмечается Всемирный день воды — событие, привлекающее внимание к проблемам экологии океанов и ледников. Современные технологии сбора данных, включая спутниковые наблюдения, акустические системы и генетический анализ, генерируют огромные массивы информации. Для их обработки используются машинное обучение и искусственный интеллект, которые стали важными инструментами в морской экологии.

➡️ Сегодня рассмотрим, как методы ML помогают анализировать информацию о физических процессах и биоразнообразии мирового океана.

🌊 Применение машинного обучения в морской экологии

🔷 Обработка изображений и видео с помощью сверточных нейросетей (CNNs) позволяет автоматически идентифицировать морские организмы, картировать донные экосистемы и обнаруживать пластиковый мусор. При этом сложность анализа данных возрастает из-за большого разнообразия объектов: для планктона важна точность детекции среди водной толщи, а для анализа бентоса — способность выделять организмы на сложном фоне морского дна.

🔷 Машинное обучение также автоматизирует анализ акустических данных. Поскольку звук проникает сквозь воду лучше, чем свет, он широко используется для подводных измерений. В глубоких нейросетях акустические сигналы часто преобразуются в спектрограммы и анализируются так же, как изображения.

🔷 В области экологической геномики ИИ помогает анализировать данные о ДНК, извлекаемой из морской воды, что позволяет отслеживать состав микробных сообществ. Генетическая информация охватывает целые экосистемы, а современные алгоритмы выявляют таксономические группы и сопоставляют их с географическим расположением, что открывает новые возможности для мониторинга биоразнообразия.

🔷 Спутниковые данные и эхосигналы, обработанные ML-моделями, используются для составления карт биогеографических зон, оценки состояния коралловых рифов и анализа донных осадков.

🔷 В рыболовстве машинное обучение помогает отслеживать популяции рыб и предсказывать их миграцию, сочетая экологические и экономические факторы в предсказательных моделях. Это важно и для отслеживания популяций рыб в природе, и для организации эффективного, но безопасного для экосистемы промышленного рыболовства.

🧊 Задачи гляциологии (науки о ледниках)

🔷 Картирование ледников сталкивается с трудностями из-за изменяющихся климатических условий и различий в данных, полученных с разных спутников. Однако ML-модели, комбинирующие многолетние разнородные данные, позволяют более точно анализировать эволюцию ледников.

🔷 Дифференциация льда и снега, а также моделирование динамики льдов пока находятся на ранней стадии развития в ИИ-исследованиях, но уже сейчас разработанные алгоритмы демонстрируют высокую точность.
Например, ученые Университета Лозанны создали модель глубокого обучения, которая позволила предсказывать толщину ледников с разрешением 300 метров, что в несколько раз превосходит точность предыдущих методов.

Машинное обучение радикально меняет морскую науку, позволяя анализировать огромные массивы данных. К сожалению, чем больше мы узнаем с помощью новых технологий, тем более тревожной становится картина. Анализ с использованием ИИ показывает, что состояние ледников и океанов ухудшается быстрее, чем предполагалось ранее. Человеческая деятельность ускоряет процессы, ранее считавшиеся стабильными. Новые инструменты не только дают нам беспрецедентные возможности оценить масштаб разрушений, но и требуют от нас решительных действий.

#openbio_ml #openbio_science

📌 Машинное обучение в биологии и биомедицине | OpenBio.Edu — подписывайтесь!

Всем приятной и продуктивной пятницы! ↗️

Чтобы немного переключиться после насыщенной рабочей недели и одновременно занять ум чем-то полезным, предлагаем вам освежить знания о сфере машинного обучения. Мы подготовили наглядную схему, где собраны самые популярные методы, применяемые в биомедицинских исследованиях.
Схема может быть полезна и как шпаргалка, и как точка старта, если хочется углубиться в тему.

Сколько из них вы уже пробовали на практике? А если МЛ пока не ваш основной инструмент — какие из подходов зацепили или вдохновили?

#openbio_ml

📌 Машинное обучение в биологии и биомедицине | OpenBio.Edu — подписывайтесь!

📰 Возвращаемся с новостями!

Уже заканчивается второй поток курса «Машинное обучение в биологии и биомедицине», а мы готовим для вас насыщенное лето:
🔻 прямые эфиры с новыми "сеньорами" биоинформатиками
🔻 свежие тренды в биотехе и сфере AI
🔻 азы Python и ML для новичков и разборы ключевых терминов
🔻 раскрытие сложных тем в рубрике "вопрос-ответ" от наших экспертов
🔻 подборки вакансий и карьерные советы

Ну что, поехали! 🚀

#openbio_ml #openbio_education #биотех #машинноеобучение

Python для биомеда: словари и циклы — ключ к анализу данных

Продолжаем нашу рубрику «азы программирования» с разбором словарей и циклов — core skill инструментов для работы с биомедицинской информацией.

📌 Словари: биоинформатика в виде пар «ключ–значение»

Словарь — это структура данных, где каждому ключу соответствует значение. Это особенно удобно, когда данные не упорядочены, но имеют ярко выраженные идентификаторы.

Словарь с экспрессией генов:

gene_expression = {
    'TP53': 3.4,
    'BRCA1': 1.8,
    'EGFR': 2.7
}

Здесь ключи — названия генов, а значения — их уровень экспрессии (например, log2(TPM+1)).

Когда это полезно?
➖Быстрый доступ к данным по уникальному идентификатору — например, по имени гена.
➖ Работа с JSON-структурами (часто встречаются в аннотациях генов, результатах API).
➖ Представление биомедицинских таблиц, где строки становятся словарями (например, записи пациента или профили экспрессии).

📌 Циклы: автоматизация анализа

Циклы позволяют выполнять повторяющиеся действия. Это основа для парсинга данных, агрегации результатов, фильтрации по условиям и т.д.

Выводим список интересующих генов:

genes = ['TP53', 'BRCA1', 'EGFR']
for gene in genes:
    print(f"Ген: {gene}")

Можно не просто выводить, а сравнивать с контрольными значениями, фильтровать и обрабатывать:

threshold = 2.0
for gene, expr in gene_expression.items():
    if expr > threshold:
        print(f"{gene} сверхэкспрессирован: {expr}")

📌 Комбинируем словари и циклы: практические примеры

🔸 Пример 1: Анализ мутаций по пациентам

mutations = {
    'patient_001': ['TP53', 'EGFR'],
    'patient_002': ['BRCA1'],
    'patient_003': []
}

for patient_id, mutated_genes in mutations.items():
    print(f"{patient_id}: найдено {len(mutated_genes)} мутаций")

🔸 Пример 2: Сравнение экспрессии в норме и опухоли

normal_expr = {'TP53': 1.2, 'BRCA1': 2.1, 'EGFR': 1.9}
tumor_expr = {'TP53': 3.4, 'BRCA1': 1.8, 'EGFR': 2.7}

for gene in normal_expr:
    change = tumor_expr[gene] - normal_expr[gene]
    print(f"{gene}: изменение экспрессии = {change:+.2f}")

🔸 Пример 3: Агрегация статистики по опухолевым типам

tumor_samples = {
    'glioblastoma': ['TP53', 'IDH1', 'EGFR'],
    'breast_cancer': ['BRCA1', 'BRCA2', 'TP53'],
    'lung_cancer': ['EGFR', 'KRAS']
}

gene_counts = {}
for cancer_type, genes in tumor_samples.items():
    for gene in genes:
        gene_counts[gene] = gene_counts.get(gene, 0) + 1

print("Гены, встречающиеся чаще всего:")
for gene, count in gene_counts.items():
    if count > 1:
        print(f"{gene}: {count} типов опухолей")

🔻 Почему владение словарями и циклами критично?

➕ Конструкции for, dict, items, range, enumerate входят в топ-10 самых часто используемых в Python-коде.
➕ Циклы и словари встречаются в более чем 90% Jupyter-ноутбуков, связанных с анализом биомедицинских данных (источники: Kaggle, OpenML, BioPython).
➕ Любая современная библиотека (Pandas, PyTorch, BioPython, Scikit-learn) использует их под капотом или требует при работе с API.

✔️ Посмотреть, как используются словари и циклы в реальных проектах, можно тут и тут.

Попробуйте и вы!

#openbio_python #openbio_ml #openbio_education