Примеры обработок изображений алгоритмами донейросетевой эпохи – это что-то из фильмов ужасов

Отсюда

#программирование

В нашем институте хотели что-то построить, начали копать землю экскаватором и внезапно наткнулись на церковь, а затем и на целое поселение времени Раннего Средневековья, примерно 9-13 века. Теперь стройка, видимо, откладывается, зато копать начали ещё усиленнее, а археологи очень радуются находке. Вот такая концентрация науки: она не только окружает со всех сторон, но даже буквально находится под ногами

На фото древний PhD-студент пытается дождаться результатов эксперимента. Ну или один из жителей поселения, пока точно непонятно, ждём заключения археологов

Математическая задачка! В статье по изучению клеток при хронической обструктивной болезни лёгких учёные-медики собирали данные от нескольких групп пациентов, по 3 человека в каждой. Возраст людей в группах они указали в формате M ± S, где M – среднее, а S – стандартное отклонение. Зачем так делать, когда можно просто перечислить 3 числа, я не знаю, но это вопрос не по математике

Задача: укажите возраст пациентов в каждой группе, если данные для них такие:
1. 72 ± 2
2. 30 ± 4.36
3. 62 ± 11.53

Задачи расположены по возрастанию сложности. Первую легко решить в уме и у неё есть однозначный ответ. Другие чуть сложнее и у них может быть несколько ответов (но меньше, чем могли бы подумать математики)

Подсказка №1 (если забыли как считать M и S):
📝 Если возраст пациентов – X, Y и Z, то M = (X + Y + Z) / 3
📝 Удобнее работать не с S, а с дисперсией D = [(X - M)^2 + (Y - M)^2 + (Z - M)^2] / 2. Для того, чтобы получить стандартное отклонение, нужно взять из неё корень: S = √D

Подсказка №2:
📝 Возраст пациентов обычно указывается в годах. Это целые числа

Пишите ответы в комментариях, только прячьте их спойлером, чтобы не портить удовольствие другим людям :)

#математика

10-11 сентября в Москве будет проходить конференция "Клиническая диагностика и персонализированная медицина"

Участников ждут:
📃 Программа из 40 секционных докладчиков, 25 стендовых выступлений и 2 тематических круглых столов
🏅 Выставочная зона партнеров конференции
💙 Сувениры и подарки от организаторов и партнеров
🚀 Вакансии от передовых лабораторий и компаний
🍤 Еда
📍 Площадка проведения „РБК - Центр Событий“ в шаговой доступности от метро
🏘️ Комфортные гостиницы со скидкой для участников

Регистрация здесь

В комментариях прозвучали правильные ответы. А теперь сюжетный поворот: авторы сделали опечатку. В первой группе средний возраст — 73 года. Вот уж действительно, в трёх соснах заблудились

Если у вас так мало наблюдений в группах, не надо по ним считать средние, отклонения, корреляции и натальные карты. Просто напишите все числа!

#статистика

Для работы я веду список задач. Помимо описания, что нужно сделать, и приоритета, я также записываю сколько на неё примерно уйдёт времени. Это предсказание почти никогда не сбывается, но всё равно помогает планировать дни и смотреть, где сложность оценивается совсем неверно. Обычно ошибка составляет 10-50%, но недавно я промахнулся почти в 10 раз

Мы готовим иллюстрацию к статье и меня попросили сделать одно из изображений. Записав это в список задач, я оценил это дело на 3 часа. Как мне казалось – пессимистично: данные и графики-то все есть, осталось только поместить на картинку, выровнять и придумать подпись. В итоге на это ушло почти три рабочих дня. Вот что мы обсуждали с руководителем, может пригодится и вам:

📊 Какое сообщение несёт иллюстрация? Мы хотим не просто вывалить на читателей кучу данных, а сделать их частью понятной истории

📊 В идеале, каждая панель должна отвечать на какой-то вопрос (не обязательно озвученный). Между ними должны быть логические связи, создающие ответы на последовательные вопросы. Например: какие были данные? А какую построили модель? Как оценивали результат? И насколько хорошо получилось? Что нового мы узнали о предметной области благодаря этой модели? Отвечая на каждый вопрос при помощи иллюстрации, можно создать цельную и понятную историю

📊 После того как концепт проработан (это можно сделать в виде списка вопросов), связи между панелями выстроены и есть набросок, начинаются технические детали. Какие именно графики или схемы мы поместим на изображение? Можно ли сделать их проще? Ясно ли сообщение только из иллюстрации, если не читать подпись к ней и текст статьи (а большинство этого и не будет делать)? Понятны ли подписи и обозначения для людей с разным образованием?

📊 После создания первой версии мы просим других авторов статьи и людей из лаборатории посмотреть график (ничего по нему не поясняя) и сказать, что они из него поняли. Неясные моменты идут на доработку

📊 Позже будет доработка под журнал (там бывают требования по шрифтам и прочим деталям) и ревью от независимых исследователей. Несомненно что-то снова поменяется

Читая научные статьи, я и не представлял, сколько времени уходит на красивые картинки. Здесь я ещё не упомянул само построение графиков, которое тоже представляет отдельное искусство: какой тип графика выбрать, как подобрать цвета, будет ли это хорошо смотреться в чёрно-белой печати или для людей с особенностями зрения. В очередной раз поражаюсь как много всего должны уметь и держать в голове учёные

А как у вас принято работать над иллюстрациями?

Заменит ли ИИ программистов и причём здесь китовые оргии

Одним летним вечером очень захотелось смоделировать вымирание китов (у вас такого не бывает?). Начнём с простой модели: пусть киты случайным образом плавают по двумерному океану и при встрече производят нового кита. В жизни всё сложнее, но такая модель покажет важный факт: если животных будет достаточно много, они будут встречаться друг с другом часто и поддерживать популяцию. Если же китов станет мало, они могут умереть от старости прежде, чем встретят партнёра, и виду грозит вымирание. Это в теории, но на практике всё пошло не по плану

Сказано – сделано отправлено в чатгпт и уже через 10 секунд электронные киты весело плавают по голубому океану в окне браузера. Вот наконец происходит романтичное столкновение пары и… компьютер намертво зависает. Я повторил моделирование ещё пару раз, но результат был тем же: безграничная любовь морских млекопитающих не вмещалась в оперативную память. Пришлось лезть в код, чтобы разобраться (ужас, прошлый век, может ещё и писать самому?)

Оказалось, искусственный интеллект не слишком позаботился о естественных процессах. После рождения нового кита гордые родители не останавливались и продолжали плодить всё новых китят. Кроме того, тест на родителепригодность был максимально прост: если два животных находятся рядом, они производят потомство. Так как дети рождались сразу и в том же месте, они тоже проходили этот тест и, сливаясь в оргии со своими же родственниками, безостановочно плодили новых китов. Вымирание виду точно не грозило, а вот мой компьютер такой картины мог и не пережить

„Мда, нейросети пока не заменят программистов“, – подумал я, но в ответ на жалобу из всего двух слов – „браузер завис“ – чатгпт нашёл проблемное место, исправил ошибку и предложил возможные улучшения модели

А на следующий день я узнал, что киты и правда размножаются, устраивая оргии. Самец издаёт зов и самки сплываются посмотреть кто это такой громкий, а, раз уж приплыли, заодно и наделать новых китят. Получается, первоначальная модель была не так и далеко от правды?

#биология #программирование

Зачем использовать в речи конструкцию „Как вы все знаете…“? Если слушатели знают, про что говорится дальше, то эта фраза просто отнимает время. Если не знают, то в этот момент чувствуют себя глупыми. Можно просто выбросить эту фразу из речи и сделать её только лучше

Если Bio-яблоко стоит в полтора раза больше, чем просто яблоко, то почему Bio-информатикам платят в полтора раза меньше, чем просто информатикам?

По просьбам подписчиков появилось ещё несколько каналов с ежедневными подборками статей. Если кому-то ещё пригодится – пользуйтесь на здоровье 🙂

• Computational methods for single-cell data

• Computational structural biology

• Antibody design

• Protein Design and ML in proteomics

• Multiomics and AI for drug discovery

• Image-based cell profiling

• Epigenetic clock algorithms

• Brain transcriptomic and epigenetics

• Population genomics

• Ancient DNA and ancient metagenomics

• Microbiome and virome of ixodid ticks and malaria mosquitoes

• Chromaffin tumors and Adrenocortical cancer

• Extracellular vesicles, exosomes, and microvesicles

• Neurofibromatosis and genotype-phenotype correlation

• Cattle selection

• Quantum chemistry, DFT, coacervate catalysis, and ML in chemistry

• STR-based molecular genetic identification

• ML in survival analysis and cancer biomarkers

А также всегда можно написать админу, чтобы заказать подборку по своим интересам. Поддержка ботов требует денег, а настройка – времени, поэтому буду благодарен поддержке. Пока не знаю как это организовать, но можно присылать звёзды в телеграме

Пост будет обновляться. Также работаем над тем, чтобы сделать код открытым

Ставить у компьютера кактус для защиты от излучения – это прошлый век. Современные программисты ставят венерину мухоловку для поимки багов

Индустриальное PhD – норм?

Перед всеми студентами однажды встаёт вопрос: пытаться грызть гранит науки или идти работать в компании? Первый путь называют академическим: для него нужно получить PhD, затем поработать постдоком и присматривать профессорские позиции. Второй называют „индустрией“: можно пойти работать сразу после университета или после получения научной степени, которая поможет метить в более высокие позиции в компаниях. Это разделение не всегда строгое: до какой-то степени можно перемещаться между ветками. Есть даже программы на пересечении – индустриальные PhD в сотрудничестве академического института и компании. Такое порой делают фармкомпании. Также я слышал, что это не редкость у инженеров, но я из области биомедицины, поэтому говорить буду только про неё

У меня спросили, что я об этом думаю. Моё мнение основывается на паре разговоров с людьми с таких программ, поэтому я в этом далеко не эксперт. Если вы сталкивались с подобным, пишите свои мысли в комментариях! Тем не менее, на выборке размером два я могу составить такое мнение:

Плюсы:
• Погружение в работу компании. Можно сразу разобраться как устроена эта компания и индустрия в целом

• К концу PhD уже не придётся ломать голову как устроен реальный мир, а будет понимание, какие есть возможности (по крайней мере в той же компании) или даже приглашение на позицию

• Нетворкинг, благодаря которому легче устроиться на работу туда же или в другую индустрию

Минусы:
• Меньшая сосредоточенность на науке, которая вообще-то является сутью PhD. В компаниях другие цели, а порой даже нельзя рассказывать о своей работе на широкую публику. Это полная противоположность науке, в которой важны публикации и выступления на конференциях

• Больше встреч и бюрократии. Оба человека, которых я знаю, имели 3-5 руководителей. Это очень много встреч в неделю (вместо работы) и адские согласования текстов (не забудьте ещё про проверку, что вы не рассказываете публике ничего секретного из компании). Внутренние процессы в больших компаниях тоже занимают много времени: знакомый студент ждал данные год, а в это время встречался с людьми и занимался планированием

• Минусы индустрии без её плюсов. На такой программе вы можете столкнуться с минусами работы в компании: отчёты, ощущение себя маленьким винтиком в огромном механизме, строгие иерархии. Обычно это компенсируется гораздо более высокой зарплатой и лучшими условиями. Но это для сотрудников, а PhD-студенты часто получают такую же зарплату, как их коллеги с неиндустриальных программ.
(Апдейт: в комментариях пишут, что зарплата всё же бывает выше)

На мой взгляд, здорово, что такие программы существуют и кому-то они отлично подойдут. Но если вы твёрдо не уверены, что хотите работать в определённой индустрии, возможно, обычное PhD будет лучше. Это тоже ценится, даже если потом продолжать путь не в академии

Буду рад услышать ваши мнения в комментариях!

Биология – невероятно сложная наука. Другие области, конечно, тоже, но по-другому. В физике, например, количество элементарных частиц едва превышает десяток и каждая ведёт себя одинаково, если зафиксировать условия. В биологической клетке десятки тысяч генов, продукты которых как-то взаимодействуют друг с другом и это зависит от многих других условий, не все из которых мы понимаем. И это лишь один уровень сложности: клетки тоже взаимодействуют между собой и с окружающим миром, у генов бывают разные варианты, а ещё это всё складывается в более сложные структуры

Даже если мы когда-нибудь подробно опишем эту систему, она не поместится в человеческой голове – наш разум для такого просто не приспособлен. Это не значит, что осталось только опустить руки, нужно просто изменить подход. Учёные из Deepmind могли бы потратить всю жизнь, но так и не научиться играть в Го на уровне чемпионов. Вместо этого они потратили годы и создали нейросеть, которая играет лучше, чем кто-либо из людей. Искуственный интеллект может помочь нам понять и биологию – нужно только научиться его применять

Если вы хотите этому поспособствовать, записывайтесь на курс повышения квалификации «Машинное обучение в биологии и биомедицине» от OpenBio!

• Старт: 1 октября
• Учебная нагрузка: 8-10 часов в неделю
• Спикеры: опытные преподаватели и действующие эксперты индустрии и науки
• Что нужно знать: базу Python и библиотеки numpy и pandas
• Скидки студентам (30%) и аспирантам (10%), а также группам от юрлиц

В течение 2,5 месяцев вы изучите классические и продвинутые методы ML в биологии и биомедицине, получите практику по 4-м кейсам и пройдете групповое соревнование по Computer Vision. В программе:

✅ Задачи классического Machine Learning в биологии и биомедицине – база для входа в индустрию

✅ Методы кластеризации и понижение размерности на примере табличных данных с single-cell RNA-seq

✅ Нейронные сети и введение в Deep Learning, изучение PyTorch+Torchvision, разборы статей с экскурсом в историческое развитие архитектур

✅ Интеграция мультиомиксных данных, практики понижения размерностей с помощью нейросетей. Автоэнкодеры

✅ Бинарная классификация и сегментация изображений с помощью технологий Computer Vision

Курс можно проходить в любое время – видеолекции и материалы доступны для самостоятельного изучения. Раз в неделю вас ждут прямые эфиры с экспертами, где вы разберёте домашние задания и получите ответы на интересующие вопросы. Плюс поддержка в чате доступна в течение всего курса

Записаться на курс: https://clck.ru/3Ch7LZ

А также заглядывайте в телеграм-канал с полезности про машинное обучение для биологии и биомедицины

Реклама „Автономная некоммерческая организация “Инновационный центр Кольцово” (АНО ИЦК)“. ИНН 5433141963. erid 2VtzqxcHtir

Мы: наконец перенесли все старые статьи в ноушн
Notion: всё, теперь можно уходить из России

Что ж, будем надеяться, для чтения статьи всё ещё будут доступны. А пока, ловите подборку по увлекательному миру биологии!

🧬 ДНК из мандаринок
⚡ Электричество внутри нас
🤖 Программируем жизнь (и её продолжение со старением)

Подноготная эволюции:

🧬 Как работает эволюция
🧬 Как Дарвин разочаровался в боге
🧬 Доказательства эволюции в теле человека

От биологии переходим к медицине:

🧬 Азбука белков
🧬 Талидомидовая катастрофа или почему важны клинические исследования
🧬 Аналоги лекарственных препаратов и как их выбирать

#биология #медицина #подборки_статей

Помните околоновогоднюю рубрику #эээксперименты с опытами, которые можно провести дома? К сожалению, она была совсем короткой, а на поиск контента в интернете нет времени. Там полно захватывающих материалов, но фильтрация годноты – огромная работа

Её проделывают в канале ФизМат для всех, где физика предстаёт во всей красоте через наглядные, интересные и необычные опыты и эксперименты. На канале собрано более 400 демонстраций физических явлений, и коллекция с каждым днем только пополняется

Автором является самый настоящий физик-лазерщик, который любит физику всей душой и старается всем показать ее красоту

Например:
• Как подержать в руках 1200 градусов
• Зачем ученые создают искусственные звезды
• Как сунуть голую руку в расплавленный свинец и не обжечься
• Зачем сжигать комаров лазером и как это выглядит
• Ананасы – идеальный материал для огнеупорного костюма?
И многое другое!

Кроме того, на канале проводятся чтения научно-популярной литературы и ее обсуждение. Налетайте!

В 6 лет, читая книжки: ищу картинки

В 11 лет: я уже взрослый и могу читать книги без картинок

В 26 лет, читая научные статьи: ищу картинки