AI 용어집
인공지능 완전 사전
Annotation de Gène
Processus d'identification et de marquage des éléments fonctionnels (gènes, régions régulatrices) dans une séquence génomique, souvent automatisé par des modèles d'IA pour prédire la fonction des protéines.
Appel de Variants
Détection algorithmique des variations génétiques (SNP, indels) par rapport à un génome de référence, où les modèles d'apprentissage automatique améliorent la précision en réduisant les faux positifs.
Expression Différentielle
Analyse statistique et par IA pour identifier les gènes dont les niveaux d'expression (ARNm) varient significativement entre différentes conditions biologiques, révélant des mécanismes moléculaires.
Réseaux de Co-expression
Graphes où les nœuds sont des gènes et les arêtes représentent des corrélations d'expression, construits par des algorithmes de clustering pour découvrir des modules fonctionnels ou des voies métaboliques.
Prédiction de Structure Protéique (AlphaFold)
Utilisation de réseaux de neurones profonds pour prédire la structure tridimensionnelle des protéines à partir de leur séquence d'acides aminés, révolutionnant la biologie structurelle.
Phylogénie Moléculaire
Reconstitution des arbres évolutifs entre espèces ou gènes en utilisant des alignements de séquences et des modèles probabilistes d'IA pour inférer les relations ancestrales.
Imputation Génotypique
Prédiction statistique des génotypes manquants dans des données génétiques en se basant sur des panels de référence et des modèles d'apprentissage, augmentant la puissance des études d'association.
Étude d'Association Pangénomique (GWAS)
Analyse à grande échelle visant à trouver des variations génétiques associées à des traits ou maladies, où le machine learning aide à corriger les multiples comparaisons et à identifier des interactions complexes.
Federated Learning in Genomics
A technique for training models on decentralized genomic data without centralizing it, preserving patient privacy while improving the robustness of predictions.
Gene Selection
The process of identifying a subset of the most relevant genes for a given phenotype, using algorithms like LASSO or random forests to reduce dimensionality.
Interfering RNA (RNAi) and Target Prediction
Using learning models to predict the binding sites of RNAi molecules on mRNAs, optimizing the design of splicing-based gene therapies.
Reinforcement Learning for Molecule Design
Application of AI to generate new therapeutic molecules by iteratively optimizing their pharmacological properties through feedback loops.
Chromatin Analysis (Hi-C)
A 3D sequencing technique to map physical interactions between genomic regions, where AI algorithms reconstruct the three-dimensional structure of the genome.
Language Models for Proteins (ProtBERT)
Neural networks pre-trained on millions of protein sequences to capture evolutionary and functional patterns, improving function and interaction predictions.
Gene Fusion Detection
Algorithmic identification of hybrid genes resulting from chromosomal rearrangements, often associated with cancers, through RNA-seq data analysis with deep learning models.