Εφαρμοσμένη Μηχανική Μάθηση και Τεχνητή Νοημοσύνη στη Συνθετική Βιολογία

Μαθησιακά Αποτελέσματα

Το μάθημα παρέχει ολοκληρωμένη, πρακτική εκπαίδευση σε προσεγγίσεις Μηχανικής Μάθησης (ML), ξεκινώντας από τις θεμελιώδεις έννοιες των τεχνολογιών ML έως προηγμένα θέματα όπως τα Μεγάλα Γλωσσικά Μοντέλα (LLMs), με έμφαση στην εφαρμογή τους σε συστήματα συνθετικής βιολογίας. Κεντρικός στόχος είναι η ανάπτυξη ισχυρών δεξιοτήτων στη μηχανική μάθηση, καλύπτοντας βασικές έννοιες όπως διερευνητική ανάλυση δεδομένων (EDA), μείωση διαστάσεων, δέντρα αποφάσεων και μοντέλα παλινδρόμησης, καθώς και πιο προχωρημένες τεχνικές όπως νευρωνικά δίκτυα, το deep learning, γενετική τεχνητή νοημοσύνη και LLMs.

Οι φοιτητές θα μάθουν να αξιοποιούν αυτές τις προσεγγίσεις βασισμένες σε δεδομένα για την επίλυση σύνθετων προβλημάτων συνθετικής βιολογίας, με έμφαση στη βελτιστοποίηση βιολογικών αλληλουχιών, τη μηχανική μεταβολικών οδών και τον σχεδιασμό συστημάτων σε επίπεδο ολόκληρου οργανισμού.

Το μάθημα εξετάζει επίσης σύγχρονα ρυθμιστικά και πρότυπα πλαίσια που διέπουν την τεχνητή νοημοσύνη στη βιοτεχνολογία, συμπεριλαμβανομένων προσεγγίσεων όπως το Ανοικτό και Βιώσιμο ΑΙ (Open and Sustainable AI).

Μέσω διαδραστικών συνεδριών προγραμματισμού και πρακτικού εργαστηρίου “Bring Your Own Data”, οι φοιτητές θα εξασκήσουν ενεργά τις υπολογιστικές τους δεξιότητες, αποκτώντας πρακτική εμπειρία για την υποστήριξη της καινοτομίας στη συνθετική βιολογία με τη χρήση ΑΙ.

Μετά την επιτυχή ολοκλήρωση του μαθήματος, οι φοιτητές/-τριες θα είναι σε θέση:

• να επεξεργάζονται και να συμπιέζουν πολύπλοκα βιολογικά δεδομένα για την προετοιμασία τους για προηγμένη υπολογιστική μοντελοποίηση
• να αναπτύσσουν, να εκπαιδεύουν και να βελτιστοποιούν προγνωστικά μοντέλα μηχανικής μάθησης προσαρμοσμένα σε εφαρμογές συνθετικής βιολογίας
• να αξιοποιούν προηγμένες μεθόδους τεχνητής νοημοσύνης για τη βελτιστοποίηση βιολογικών αλληλουχιών και τον σχεδιασμό νέων μεταβολικών οδών
• να διαχειρίζονται ζητήματα περιορισμένης διαθεσιμότητας δεδομένων και προστασίας ιδιωτικότητας μέσω σύγχρονων αποκεντρωμένων και συνθετικών πλαισίων δεδομένων
• να αξιολογούν κριτικά μοντέλα τεχνητής νοημοσύνης για την ύπαρξη μεροληψίας (bias) και να διασφαλίζουν τη συμμόρφωση με αναδυόμενα ρυθμιστικά πλαίσια της βιοοικονομίας και τις αρχές της ανοικτής επιστήμης
• να σχεδιάζουν και να υλοποιούν αυτόνομα ένα ολοκληρωμένο ερευνητικό έργο συνθετικής βιολογίας με υποστήριξη τεχνητής νοημοσύνης, από τον αρχικό σχεδιασμό έως την τελική εφαρμογή

Περιεχόμενο Μαθήματος

• Βασικές αρχές μηχανικής μάθησης στη βιολογία και διερευνητική ανάλυση δεδομένων (EDA)
• Μείωση Διαστάσεων και Μη Εποπτευόμενη Μάθηση
• Εισαγωγή στα νευρωνικά δίκτυα και στo Deep Learning
• Deep Learning για την βελτιστοποίηση βιολογικών αλληλουχιών
• Παραγωγική τεχνητή νοημοσύνη για μηχανική μεταβολικών οδών
• Παραγωγή Συνθετικών Δεδομένων και Ψηφιακά Δίδυμα (Digital Twins)
• Αξιολόγηση AI: Συγκριτική Αξιολόγηση (Benchmarking) και Δείκτες στη Βιολογία
• Κανονισμοί AI, Ηθική και Ανοικτή Επιστήμη
• Εφαρμογές της Μηχανικής Μάθησης στη Συνθετική Βιολογία
• Εργαστήριο “Bring Your Own Data” (BYOD)

Συνιστώμενη Βιβλιογραφία

• Σχετική βιβλιογραφία ανά διάλεξη, η οποία περιλαμβάνει επιστημονικές δημοσιεύσεις και ανασκοπήσεις (reviews) από διεθνή περιοδικά είναι διαθέσιμη μέσω της πλατφόρμας e-class του μαθήματος.
• “Deep Learning for the Life Sciences: Applying Deep Learning to Genomics, Microscopy, Drug Discovery, and More”, by Bharath Ramsundar and Peter Eastman, O’Reilly, 2019.
• “Machine Learning in Bioinformatics”, Edited by Yanqing Zhang and Jagath C. Rajapakse, Springer, 2020.
• “Introduction to Machine Learning for Biologists”, Tarca AL, Bioinformatics, 2019.