组学分析
人工智能、机器学习和深度学习已广泛应用于一系列应用领域，包括改善疾病预测、建立化合物的 MoA、研究基因调控以及各种疾病的分子分析等等。
以癌症为例，仅基于病理特征的治疗可能会产生截然不同的结果。因此，将广泛的症状分类细分为更精细的亚型非常重要，以便实施更有针对性的临床护理。
通过将监督和非监督学习技术应用于肝细胞癌患者的 RNA、miRNA 和 DNA 数据，研究人员能够识别出具有显著生存差异的两个亚组，分离出与生存 巴西手机数据 相关的一致驱动基因，并确定一致驱动突变与 mRNA 转录组的相关性高于与 miRNA 转录组的相关性。人工智能还被用于通过检测癌症患者的亚型来关注癌症预后和治疗，识别决定癌症复发的生物标志物，并用于药物反应建模以预测药物反应行为。
在药物开发中，基因特征分析和高通量筛选等技术使识别影响特定靶点或表型的化合物变得更快、更容易。即便如此，这些化合物仍可能引发复杂的下游功能后果，从而对其获批机会产生不利影响。了解化合物的作用机理 (MoAs ) 对于提高临床试验和药物获批的成功率至关重要。研究人员已经证明，通过将多组学与转录组学、表观基因组学、代谢组学和蛋白质组学的可解释机器学习模型相结合，即使在没有可比参考的情况下，也可以确定未知的作用机理。
随着组学数据不断以 PB 级增长，将这些数据转化为有意义的生物学和临床见解的紧迫性也愈发凸显。然而，并非所有组学研究人员和生物信息学家都具备统计专业知识。正是在这种背景下，NLP 等 AI 技术可以通过让更广泛的受众能够使用分析来帮助加快多组学研究的步伐。
例如，一个开放的、以自然语言为导向的、由人工智能驱动的平台用于分析和可视化癌症组学数据，它使用户能够使用自然语言界面与系统交互。研究人员提出生物学问题，系统通过识别相关的基因组学数据集、执行各种分析、返回适当的结果甚至从用户反馈中学习来做出响应。