Darbo efektyvumas svarbus atliekant ir mokslinius tyrimus
Žvelgiant į praeitį iš dabarties perspektyvos akivaizdu, kad vienas iš svarbiausių veiksnių, lėmusių visapusišką visuomenės tobulėjimą, buvo darbo efektyvumo didinimas. Pavyzdžiui, didžioji fizinio darbo dalis buvo robotizuota. Tokiu būdu buvo ne tik padidintas darbo našumas, bet ir gaminių bei paslaugų kokybė – automatizuoti procesai pasižymi tikslumu, nuoseklumu ir priešingai nei žmonės – nesusiduria su išsiblaškymu, nuovargiu ir pan.
Efektyvumo poreikis taip pat tapo aktualus vykdant įvairių duomenų analizę. Stebint nuolatinį augantį analizuojamų duomenų kiekį tapo akivaizdu, kad didelį informacijos kiekį biotechnologijų, farmacijos, sveikatos apsaugos ir kituose sektoriuose dirbantiems mokslininkams tampa sudėtinga apdoroti. Be to, tai užima nemažai laiko.
Siekiant šį procesą optimizuoti, mokslininkai prie tyrėjų komandos vis dažniau pakviečia prisijungti informacinių technologijų specialistus. Taigi, jeigu iškeltoms hipotezėms gvildenti reikalingos informacijos atrinkimas gali būti sunkiai mokslininkui įveikiama užduotis, specialistui, kuris turi bioinformatikos analizės įrankius, leidžiančius profesionaliai atlikti sudėtingas duomenų analizes, tai gali būti vieni juokai.
Taigi, nors toks analitinis darbas pareikalauja dviejų ar net trijų specialistų įsitraukimo, tačiau reikšmingai prisideda prie greitesnio tinkamų sprendimų priėmimo bei spartesnio progreso moksle.
Kaip visa tai veikia?
Pasak Sistemų biologijos magistrantūros absolventė Taisijos Dėmčėnko, siekiant paaiškinti tai, kaip naudojami duomenys, siekiant atrasti mokslininkus dominančius duomenis, galima pasitelkti traukos dėsnio pavyzdį: „Kadaise buvo atrasta, kad obuolys krenta žemyn dėl žemės traukos jėgos, tačiau tuo metu mokslininkams reikėjo daug laiko ir skaičiavimų gauti gravitacijos formulę.
Įsivaizduokime, kad šiandien dirbtinis intelektas turi daugybę skirtingų tyrimų neapdorotų duomenų apie tai, kaip skirtingo dydžio obuolys krito, kiek laiko jis krito, kaip stipriai nukrito ir t. t. Sukūrus atitinkamą modelį, dirbtiniam intelektui galima duoti atvejį, kuriame žinome tik dalį duomenų – jis panaudodamas pradinius duomenis randa formulę, kuria galėtų rasti trūkstamus duomenis. Taip yra pateikiami spėjimai dėl trūkstamų duomenų“.
Vėliau tokiu būdu gauta informacija yra panaudojama itin skirtingais tikslais – nuo tyrimų žmogaus genetikos srityje iki išmaniųjų laikrodžių, kurie gali nustatyti, kaip į fizinį krūvį reaguoja žmogaus organizmas ir pateikti atitinkamus patarimus.
Atliktu tyrimu siekė numatyti situaciją ateityje
Naudodama studijų metu įgytas žinias, Emilija Sadauskaitė atliko tyrimą, kuriuo gilinosi į COVID-19 sekas, jų mutacijas. Būtent ši informacija leidžia daryti atitinkamas prielaidas apie vienų ar kitų viruso atmainų užkrečiamumą, taip pat situaciją, kurios galime tikėtis ateityje: „Prasidėjus pandemijai, buvo svarbu ištirti virusą, jo seką ir tai, kaip jis veikia sveikatą.
Buvo svarbu sekti virusą, jo mutacijas bei tai, kaip pastarosios gali paveikti jo charakteristikas. Kitaip tariant, buvo svarbu tyrinėti viruso evoliuciją, kad žinotume, kokių tolesnių veiksmų turėtume imtis, siekdami jį suvaldyti. Tad mano, kaip ir daugumos šioje srityje dirbusių mokslininkų siekis buvo nagrinėti virusą, pastebėti atsikartojančias tendencijas, ieškoti koreliacijų tarp viruso mutacijų ir jo (ne)pavojingumo“.
Pasak pašnekovės, atliktų tyrimų skirtingose pasaulio laboratorijose kiekis duomenų bazėse kasdien auga. Todėl reikiamų duomenų atrinkimas ir analizė nėra tokie paprasti kaip kad gali pasirodyti iš pirmo žvilgsnio.
„Duomenų kiekiai yra milžiniški! Siekiant atrasti reikiamą informaciją, reikia žinoti tam tikrus duomenis, charakteristikas, vėliau duomenis gauti ir apdoroti. Visame šiame procese be kompiuterio pagalbos neapsieinama. Galbūt šis procesas gali būti automatizuotas, tačiau tam reikia žinoti teisingą veiksmų ar procesų seką. Kitaip tai viso labo tebus atsitiktinai surinktų faktų visuma“, – sakė E. Sadauskaitė.
Siekia padėti laiku užkirti kelią apakimo tikimybei
Tuo tarpu Julija Domarkaitė pasakojo, kad savo atliktu tyrimu siekė padėti medikams savo tiesioginiame darbe pritaikyti dirbtinio intelekto technologijas, kuris leistų greičiau pateikti rezultatus pacientams. „Akies tinklainė yra vienintelė vieta žmogaus kūne, kurioje neinvaziniu būdu galima stebėti ir analizuoti kraujo cirkuliaciją. Tai daroma fotografuojant akies dugną, kuriose yra matomos tinklainės kraujagyslės.
Analizuojant kraujagyslių pokyčius, galima stebėti diabetinės retinopatijos (vienos iš diabeto komplikacijų), sisteminės hipertenzijos ir hipertenzinės retinopatijos progresavimą. Laiku nepastebėta diabetinė retinopatija sukelia apakimą ir ligi šiol pasaulyje yra pagrindinė aklumo priežastis suaugusiųjų tarpe.
Visgi šiuo metu susiduriama su specialistų bei specifinių kompetencijų įgijimo trūkumu, nes pacientų kiekis yra milžiniškas, vis augantis, pati analizė sudėtinga, o oftalmologui įvertinti vieną akies dugno nuotrauką užtrunka 1–2 val.
Tuo tarpu šis tyrimas ypatingas tuo, kad suteikia realią naudą – pritaikant dirbtinio intelekto algoritmus, viena nuotrauka išanalizuojama mažiau nei per minutę – tai leidžia pacientams greičiau sužinoti diagnozę, greičiau gauti efektyvų gydymą“, – teigė pašnekovė.
Pasak jos, tai nėra nauja mokslinė tema, ją tiria daugybė mokslininkų visame pasaulyje ir dalinasi kuriamais dirbtinio intelekto modeliais ir nuotraukomis, kuriose užfiksuoti regos pakitimai skirtingu ligos progreso etapu: „Tai – nagrinėjama tema, tačiau tebėra nemažai komplikacijų, kurios trukdo modelių pritaikymui praktikoje ir gydytojams priimti vienareikšmiškus sprendimus. Skirtinga pateikiamų nuotraukų kokybė turi didžiulę įtaką kuriamų sprendimo modelių efektyvumui, kas ir buvo nagrinėta mūsų tyrime“.
Sistemų biologija – net ir sapnų dekodavimui
Sistemų biologijos magistrantūros absolventė Taisija Dėmčėnko sakė besižavinti tuo, kaip ši didelės apimties duomenų analizė gali pasitarnauti skirtingose srityse. Jos teigimu, duomenų gausa bei dirbtinio intelekto modulių įvairovė leidžia daryti spėjimus įvairiose – ne tik sveikatos priežiūros ar jai giminingose – mokslo srityse.
„Vieni moduliai geriau atpažįsta tam tikras atsikartojančias tendencijas nuotraukose, kiti – laikui bėgant atsirandančius pakitimus. Pavyzdžiui, naudojant atitinkamus duomenis ir modulius, galima numatyti, kokia bus konkretaus tipo butų kaina po kelerių metų ir pan. Tyrimų galimybės sparčiai vystosi ir tobulėja“, – sakė ji.
T. Dėmčėnko papasakojo atlikusi tyrimą, kuriame pagrindiniai analizuojami duomenys buvo tam tikrų jutiklių pagalba išrašyti elektromagnetinio smegenų aktyvumo signalai: „Ateityje noriu dekoduoti žmonių sapnus. Sapnuojant smegenys yra aktyvios, jų elektromagnetinius signalus galima realiu laiku įrašyti. Todėl teoriškai turėtų būti galimybė iš šios informacijos vėliau sugeneruoti tekstą arba vaizdus. Taip būtų galima pamatyti, ką miegodamas žmogus sapnavo“.
Gerovės visuomenėje siekis skatina bendradarbiavimą
Pašnekovės pažymėjo, kad siekiant pokyčių bet kurioje tyrimų srityje, būtina bendradarbiauti su kitais toje srityje dirbančiais specialistais. Suinteresuoti būtent visuomenės gerove bei spartesniu progresu siekiant teigiamų pokyčių, mokslininkai aktyviai dalinasi turima informacija, surinktais duomenimis bei atrinktais moduliais, taip pat ir noriai gelbsti vieni kitiems. O efektyvaus bendradarbiavimo ašimi tampa didelės apimties duomenų analizei reikalingų kompetencijų turintys sistemų biologijos specialistai.
J. Domarkaitės teigimu, šie specialistai yra reikalingi ne tik jau anksčiau paminėtuose biotechnologijų, farmacijos, sveikatos apsaugos sektoriuose, bet ir tokioje srityje kaip, pavyzdžiui, verslas: „Nepriklausomai nuo srities, ten, kur reikalinga duomenų analizė, ten sistemų biologas gali savo žinias ir kompetencijas pritaikyti“.
