پژوهشگران دانشگاه آکسفورد انگلستان، دانشگاه کپنهاگن دانمارک، و دانشگاه جورج منسن ایالات متحده امریکا در پژوهشی مروری که به تازگی منتشر شده است به بررسی کاربردهای هوش مصنوعی در پژوهش سالمندی و طول عمر پرداختند.
??? رئوس مطالب این نوشتار به شرح زیرند:
- پیری و سالمندی پدیده جهانشمولی برای تمام موجودات زنده، دستگاه‌ها، اندام‌ها، بافت‌ها و سلول‌ها هستند.
- استفاده از روش‌های جدید محاسبات که متکی بر کاربرد هوش مصنوعی در پژوهش هستند، امکان پیش‌بینی بسیاری از وقایع را در دامنه وسیعی از احتمالات فراهم می‌آورد.
- نشانگرهای زیستی هوش مصنوعی منجر به ایجاد دیدگاهی کل‌گرایانه از فرآیندهای زیستی و شناسایی مکانیزم‌های هدف زیستی در پیری و سالمندی هستند.
- شبکه‌های زایای رقیب (GANs) و یادگیری تقویت (RL) منجر به تولید داده‌های سنتزی مولکولی و داده‌های بیماری شده‌اند که نتیجه آنها تولید داروها و شناسایی مولکول‌های آنتی اکسیدان و ضدپیری موثر و بدون عوارض جانبی بوده است.
- استفاده از هوش مصنوعی، منجر به طبقه‌بندی، جداسازی و شناسایی الگوهای تغییرات عصب‌روانشناختی زیادی می‌شود که در حال عادی و با استفاده از روش‌های آماری ساکن و پویای فعلی قابلیت دسترسی به آنها مقدور نیست.
- با ترکیب چندین الگوریتم هوش مصنوعی در قالب بسته‌های نرم‌افزاری و فیلترینگ و بهینه سازی اطلاعات، می‌توان شناخت، پیش‌بینی و درمان بسیار بهتری برای مسایل جسمانی و روانشناختی سالمندی فراهم آورد.
Artificial intelligence for aging and longevity research: Recent advances and perspectives
Abstract
The applications of modern artificial intelligence (AI) algorithms within the field of aging research offer tremendous opportunities. Aging is an almost universal unifying feature possessed by all living organisms, tissues, and cells. Modern deep learning techniques used to develop age predictors offer new possibilities for formerly incompatible dynamic and static data types. AI biomarkers of aging enable a holistic view of biological processes and allow for novel methods for building causal models—extracting the most important features and identifying biological targets and mechanisms. Recent developments in generative adversarial networks (GANs) and reinforcement learning (RL) permit the generation of diverse synthetic molecular and patient data, identification of novel biological targets, and generation of novel molecular compounds with desired properties and geroprotectors. These novel techniques can be combined into a unified, seamless end-to-end biomarker development, target identification, drug discovery and real world evidence pipeline that may help accelerate and improve pharmaceutical research and development practices. Modern AI is therefore expected to contribute to the credibility and prominence of longevity biotechnology in the healthcare and pharmaceutical industry, and to the convergence of countless areas of research.
Keywords
Aging biomarker, Drug discovery, Artificial intelligence, Deep learning, Reinforcement learning, Symbolic learning, Metalearning, Generative adversarial networks
لینک منبع پیشنهادی برای مطالعه بیشتر 
(further reading)
(در صورت جذابیت و علاقمندی به موضوع، مطلب را برای دیگران نیز بازنشر فرمایید).
کانال تلگرام
https://t.me/DrAmirMohammadShahsavarani
