Forwarded from openbio.ru
Media is too big
VIEW IN TELEGRAM
Мы приглашаем молодых ученых до 35 лет: студентов, аспирантов, преподавателей ВУЗов, сотрудников НИИ и молодых специалистов коммерческих организаций принять участие в научной конференции в области биотехнологии, молекулярной биологии, вирусологии, биофизики, биоинформатики и фундаментальной медицины.
Подробное описание каждой из 6 секций вы найдёте ЗДЕСЬ.
Формы участия:
Please open Telegram to view this post
VIEW IN TELEGRAM
❤5👍3🔥1
Курс «Машинное обучение в биологии и медицине» — стартует 1 октября.
А пока цены раннего бронирования.
Хочешь разобраться в ML с нуля на примерах из биологии, медицины и биоинформатики? Записывайся к нам!
Профессионально, с глубоким погружением и систематизацией, в кругу сложившихся специалистов.
В программе — максимум практики и разборов реальных кейсов из мира Bio:
✔️ Линейная и логистическая регрессия, классификация и кластеризация
✔️ Градиентный бустинг, случайный лес, SVM, kNN
✔️ Современные методы понижения размерности: PCA, t-SNE, UMAP
✔️ Погружение в PyTorch и нейронные сети — от простых моделей до сверточных архитектур
✔️ Работа с омиксами и медицинскими изображениями, DICOM, autoencoders, augmentation
✔️ Интеграция мультиомиксных данных, best practices для биоинформатиков
✔️ Большой блок Computer Vision в биомедицине: сегментация, классификация, timm, smp
✔️ Практика в групповых проектах
✔️ Финальное kaggle style -соревнование
‼️ Требуются знания Python, в том числе библиотек numpy и pandas.
📆 Даты курса: 1 октября — 8 февраля
Подробности на сайте курса!
📩 📥 📤
А пока цены раннего бронирования.
Хочешь разобраться в ML с нуля на примерах из биологии, медицины и биоинформатики? Записывайся к нам!
Профессионально, с глубоким погружением и систематизацией, в кругу сложившихся специалистов.
В программе — максимум практики и разборов реальных кейсов из мира Bio:
Плюшки и лайфхаки от нашей команды:🖊 За лучший доклад на Форуме OpenBio-2025 — бесплатное место на курсе! Подавай тезисы до 1 августа и получи шанс учиться бесплатно.🎁 При покупке курса до 1 августа откроем первый модуль курса заранее.
Подробности на сайте курса!
Please open Telegram to view this post
VIEW IN TELEGRAM
❤4👍2🔥1
Продолжаем третий сезон цикла лекций с экспертами - встречайте Юрия Вяткина на вебинаре «Карьерный путь биоинформатика: от энтузиаста до сеньора».
🔬 Юрий - директор по инновациям NOVEL, старший научный сотрудник Института искусственного интеллекта МГУ имени М.В. Ломоносова. Изучает приложения биоинформатики к задачам медицинского мира: от генетической диагностики до разработки лекарств.
Встреча состоится 6 августа в 19:00 по Мск
На встрече мы обсудим детали карьерного трека Юрия, лайфхаки для начинающих, тренды развития биомедицинской отрасли, особенности внедрения технологий ИИ в биомедицину и многое другое.
✔️ Зарегистрируйтесь, чтобы не пропустить ссылку на трансляцию и получить запись.
❔ Задавайте вопросы спикеру в комментариях к этому посту, чтобы мы могли их озвучить.
Увидимся на эфире!
#openbio_career #openbio_webinar #openbio_interview
📍 Курс "Машинное обучение в биологии и биомедицине" | OpenBio.Edu — подписывайтесь! ➡️
Встреча состоится 6 августа в 19:00 по Мск
Трансляции проходят в рамках курса «Машинное обучение в биологии и биомедицине» от OpenBio.
Следующее повышение цен уже скоро, так что успевайте записаться по минимальной цене↗️
На встрече мы обсудим детали карьерного трека Юрия, лайфхаки для начинающих, тренды развития биомедицинской отрасли, особенности внедрения технологий ИИ в биомедицину и многое другое.
✔️ Зарегистрируйтесь, чтобы не пропустить ссылку на трансляцию и получить запись.
Увидимся на эфире!
#openbio_career #openbio_webinar #openbio_interview
Please open Telegram to view this post
VIEW IN TELEGRAM
1❤7🔥4👍2
Forwarded from openbio.ru
Мы получили много писем от тех, кто хотел, но не успел подать тезисы, особенно в связи со сложностями в согласовании допусков или оплат со стороны учреждений.
Мы решили продлить приём на несколько дней, параллельно работая над поданными заявками.
А это значит, что у вас еще есть время, чтобы представить свои исследования и разработки на конкурс!
Напоминаем, что отобранные тезисы будут опубликованы в сборнике конференции и размещены в научной электронной библиотеке eLIBRARY с индексацией в РИНЦ и присвоением DOI каждому тезису.
По итогам мероприятия в каждой секции эксперты определят 3 доклада-победителя, авторы которых получат дипломы и ценные призы.
Участвовать можно:
Please open Telegram to view this post
VIEW IN TELEGRAM
❤3👍2🔥2
Наш канал попал в замечательную научную компанию - Зоопарк из слоновой кости собрал тематическую подборку по биологии, объединив в одной папке проекты, которые рассказывают о науке интересно и доступно. Мы рады стать частью этого сообщества и благодарим коллег за внимание к нашему проекту 🔭
Если вы интересуетесь биологией - как профессионально, так и просто из любопытства - приглашаем вас заглянуть в подборку➡️ Поделитесь с друзьями, чтобы у каждого полезные ресурсы были под рукой.
#openbio_рекомендации
📌 Машинное обучение в биологии и биомедицине | OpenBio.Edu — подписывайтесь!
Если вы интересуетесь биологией - как профессионально, так и просто из любопытства - приглашаем вас заглянуть в подборку
#openbio_рекомендации
📌 Машинное обучение в биологии и биомедицине | OpenBio.Edu — подписывайтесь!
Please open Telegram to view this post
VIEW IN TELEGRAM
❤6🔥3😍1
Машинное обучение в биологии и биомедицине | OpenBio.Edu
Продолжаем третий сезон цикла лекций с экспертами - встречайте Юрия Вяткина на вебинаре «Карьерный путь биоинформатика: от энтузиаста до сеньора». 🔬 Юрий - директор по инновациям NOVEL, старший научный сотрудник Института искусственного интеллекта МГУ имени…
В 19:00 по Мск начинаем открытую встречу про карьеру в биоинформатике, применение ИИ в медицине и научные вызовы будущего.
До встречи!
Please open Telegram to view this post
VIEW IN TELEGRAM
👍7🤓3🤔2❤1
Когда речь идет о редких болезнях, уникальных образцах или сложных экспериментах, собрать много данных — большая проблема. Это дорого и долго. В таких случаях на помощь приходит аугментация. Она помогает создать искусственные образцы, чтобы модели учились лучше.
В биоинформатике есть разные методы для этого: от простых, вроде отражения, поворотов и масштабирования до генерации искусственных данных. Так генеративные модели GAN или VAE могут делать очень реалистичные "подделки" данных, чтобы у вашей модели было больше примеров для обучения.
1️⃣ Generative Adversarial Networks (GAN)
GAN состоят из двух нейросетей: генератор создает искусственные данные, а дискриминатор пытается отличить реальные данные от сгенерированных.
Обучение происходит так:
Генератор учится "обманывать" дискриминатор, создавая более реалистичные образцы -> дискриминатор становится лучше в распознавании фальшивых данных.
В итоге, после обучения, генератор способен создавать новые данные, которые выглядят очень похоже на реальные.
2️⃣ Variational Autoencoders (VAE)
VAE — это автоэнкодер, который учится кодировать входные данные в компактное латентное пространство и затем восстанавливать обратно, используя вероятностный подход, моделируя распределение данных через параметры латентного пространства (например, среднее и дисперсию).
Обучение включает:
Кодирование реальных данных в латентное пространство.
Выбор случайных точек из этого пространства и декодирование их обратно в новые данные.
Для генерации ДНК/РНК чаще используют VAE, поскольку он лучше моделирует распределения и обеспечивает стабильность при работе с малыми наборами данных, а GAN — предпочтительнее для создания реалистичных изображений и структур (рентген снимки, КТ, МРТ), где важна детализация. Однако это не правило, существует множество реализаций этих подходов под конкретные задачи, в том числе, где совмещаются оба метода.
❕ Ограничения при генерации биологических данных
🔺 Биологическая валидность
Искусственные ДНК-последовательности должны сохранять биологическую функцию и структурные особенности, но генеративные модели могут упускать это.
🔺 Достаточность данных
Для обучения GAN или VAE нужны большие объемы качественных данных, которых часто недостаточно в биоинформатике, особенно для редких вариантов или функций.
🔺 Биологические ограничения
Модели могут не учитывать важные особенности — например, мотивы или структурные особенности — без специальной настройки.
🔺 Интерпретируемость
Генеративные модели — "черные ящики", сложно понять, почему создана такая последовательность и насколько она реально работает в биологии.
Однако многие исследователи уже успели успешно применить генеративные модели на практике. Например, в области scRNAseq, транскриптомики рака, белковой инженерии, клинических исследованиях и др.
Аугментация — мощный инструмент для расширения данных в биоинформатике, но важно проверять полученные образцы и работать с хорошо подготовленными данными — очищенными от шума и нормализованными.
Сталкивались ли Вы в реальной практике с недостатком данных и как решали эту проблему? Делитесь в комментариях!
#openbio_education
📍 Машинное обучение в биологии и биомедицине | OpenBio.Edu — подписывайтесь
В биоинформатике есть разные методы для этого: от простых, вроде отражения, поворотов и масштабирования до генерации искусственных данных. Так генеративные модели GAN или VAE могут делать очень реалистичные "подделки" данных, чтобы у вашей модели было больше примеров для обучения.
GAN состоят из двух нейросетей: генератор создает искусственные данные, а дискриминатор пытается отличить реальные данные от сгенерированных.
Обучение происходит так:
Генератор учится "обманывать" дискриминатор, создавая более реалистичные образцы -> дискриминатор становится лучше в распознавании фальшивых данных.
В итоге, после обучения, генератор способен создавать новые данные, которые выглядят очень похоже на реальные.
VAE — это автоэнкодер, который учится кодировать входные данные в компактное латентное пространство и затем восстанавливать обратно, используя вероятностный подход, моделируя распределение данных через параметры латентного пространства (например, среднее и дисперсию).
Обучение включает:
Кодирование реальных данных в латентное пространство.
Выбор случайных точек из этого пространства и декодирование их обратно в новые данные.
Для генерации ДНК/РНК чаще используют VAE, поскольку он лучше моделирует распределения и обеспечивает стабильность при работе с малыми наборами данных, а GAN — предпочтительнее для создания реалистичных изображений и структур (рентген снимки, КТ, МРТ), где важна детализация. Однако это не правило, существует множество реализаций этих подходов под конкретные задачи, в том числе, где совмещаются оба метода.
Искусственные ДНК-последовательности должны сохранять биологическую функцию и структурные особенности, но генеративные модели могут упускать это.
Для обучения GAN или VAE нужны большие объемы качественных данных, которых часто недостаточно в биоинформатике, особенно для редких вариантов или функций.
Модели могут не учитывать важные особенности — например, мотивы или структурные особенности — без специальной настройки.
Генеративные модели — "черные ящики", сложно понять, почему создана такая последовательность и насколько она реально работает в биологии.
Однако многие исследователи уже успели успешно применить генеративные модели на практике. Например, в области scRNAseq, транскриптомики рака, белковой инженерии, клинических исследованиях и др.
Аугментация — мощный инструмент для расширения данных в биоинформатике, но важно проверять полученные образцы и работать с хорошо подготовленными данными — очищенными от шума и нормализованными.
Сталкивались ли Вы в реальной практике с недостатком данных и как решали эту проблему? Делитесь в комментариях!
#openbio_education
Please open Telegram to view this post
VIEW IN TELEGRAM
Please open Telegram to view this post
VIEW IN TELEGRAM
❤14👍4🔥3
Основные требования:
Обязанности:
Основные требования:
Обязанности: обучать базовые модели медицинских изображений различных модальностей
Основные требования:
Обязанности: Обработка данных генотипирования КРС, овец и свиней; совершенствование биочипов; расчет индексов племенной ценности; работа с базами данных генотипов и фенотипов; участие в региональных проектах.
Основные требования:
Обязанности: Обработка и интерпретация геномных, метагеномных и транскриптомных данных в клинических и научных проектах. Разработка и оптимизация алгоритмов и пайплайнов. Внедрение ML-инструментов в анализ данных.
Основные требования:
Обязанности: Разработка алгоритмов управления внешними устройствами на основе физиологических сигналов. Генерация гипотез и методов анализа данных, участие в экспериментах с нейрофизиологами, интерпретация результатов. Подготовка статей, патентов, грантов и презентаций
#openbio_вакансии
Please open Telegram to view this post
VIEW IN TELEGRAM
❤7👍3🔥1
Основные требования:
Обязанности:
Постдок займётся анализом геномных данных реакции организма на COVID-19 в крупных когортах пациентов. В задачи входит проведение GWAS и TWAS для изучения генетических факторов восприимчивости и ответа на лечение у тяжёлых больных в команде экспертов по медгенетике.
Оплата:до вычетов налогов £41,064 to £48,822 в год
Дедлайн: 18.08.2025
Основные требования:
Обязанности:
Разработка вычислительных и AI/ML-инструментов для анализа иммуногеномных данных при аутоиммунных заболеваниях ЖКТ и диабете 1 типа. Руководство поиском новых терапевтических мишеней и внедрением подходов точной медицины. Сотрудничество с Weill Cornell, Upenn, Houston Methodist и другими партнёрами.
Оплата: 91 000 до 121 000 AUD в год
Дедлайн: 24.08.2025
Основные требования:
Обязанности:Ведущая роль в создании и внедрении биоинформатических пайплайнов для проектов по инженерии генетических цепей. Применение ML (в т.ч. computer vision, регрессии, deep learning) к геномным, транскриптомным и single-cell данным. Сотрудничество с биологами, дата-сайентистами и инженерами, интеграция ML-результатов в платформу синтетической биологии. Оптимизация и интерпретация моделей, публикации, наставничество.
Оплата: £51,736.00-£60,088.00 в год
Основные требования:
Обязанности: Разработка и внедрение передовых AI-методов для дизайна, оптимизации и моделирования РНК, интеграция классических инструментов вычислительной биологии с глубоким обучением. Создание и управление наборами данных, анализ и интерпретация поведения моделей в биологических приложениях.
Оплата: £67,500 - £77,500 в год
#openbio_вакансии
Please open Telegram to view this post
VIEW IN TELEGRAM
❤4🔥2
Сегодня повышается цена на курс "Машинное обучение в биологии и биомедицине", если вы планировали записаться, но еще этого не сделали - оставьте заявку на сайте сегодня и мы сохраним прежнюю стоимость!➡️
Наши ключевые условия и опции по оплате:
✔️ Даем скидки студентам (30%) и аспирантам (10%)
✔️ Выдаем удостоверение о повышении квалификации
✔️ Можно сделать налоговый вычет на сумму договора платного обучения
✔️ Доступна рассрочка и дробные системы платежей
✔️ Можно оплачивать иностранными картами
✔️ Дарим крупные скидки, если вы приводите с собой друга
✔️ Подскажем, как уговорить работодателя оплатить ваше обучение!
Мы считаем, что наш курс - лучший на рынке: посмотрите отзывы. Мы делаем немассовый продукт для профессионалов и вкладываемся в качество и атмосферу📍 .
#openbio_education
Наши ключевые условия и опции по оплате:
Мы считаем, что наш курс - лучший на рынке: посмотрите отзывы. Мы делаем немассовый продукт для профессионалов и вкладываемся в качество и атмосферу
#openbio_education
Please open Telegram to view this post
VIEW IN TELEGRAM
👍3✍2❤1
Ошибки в предсказательных моделях неизбежны, но как понять, насколько они критичны? Для этого используют разные метрики оценки качества — в том числе MSE и MAE.
1️⃣ MSE (средняя квадратическая ошибка) — это оценка среднего значения квадрата ошибок:
Из формулы видно, что MSE придает большим ошибкам больше веса — поскольку ошибка возводится в квадрат. Поэтому эта метрика особенно чувствительна к выбросам и часто используется в случаях, когда большие ошибки недопустимы или требуют сильного наказания.
2️⃣ MAE (средняя абсолютная ошибка) — это среднее значение абсолютных отклонений:
Она интуитивно понятна: показывает "типичную" ошибку модели в тех же единицах измерения, что и целевая переменная. MAE менее чувствительна к выбросам по сравнению с MSE, что делает её предпочтительной при наличии выбросов в данных.
На первый взгляд кажется, что MAE проще и понятнее — ведь она не возводит ошибку в квадрат. Почему же тогда большинство методов обучения используют именно MSE?
➡️ Гладкость и дифференцируемость
Модель обучения основана на градиентных методах оптимизации, которым нужна дифференцируемая функция ошибки.
MSE — это гладкая функция с производной во всех точках.
MAE — негладкая: у функции есть "острый угол" при ошибке равной нулю, а её производная там неопределена или равна ±1. Это усложняет вычисление градиентов и оптимизацию.
➡️ Выпуклость и эффективность оптимизации
Квадратичная функция MSE выпуклая и "более гладкая", что способствует более стабильной и быстрой сходимости алгоритмов обучения.
MAE тоже выпуклая, но из-за негладкости может приводить к медленной сходимости или застреванию в локальных минимумах.
➡️ Статистическая интерпретация
Если предположить, что ошибки распределены нормально (гауссово), то минимизация MSE соответствует максимизации правдоподобия при этом распределении.
Это означает, что модель, минимизирующая MSE, ищет наиболее вероятное предсказание при нормальном шуме.
Итог: выбор функции ошибки зависит от математических свойств (гладкости, выпуклости), вычислительной сложности, поведения градиентов и статистических предположений о данных.
Важно помнить: ни MAE, ни MSE не универсальные метрики оценки качества модели. Их стоит использовать в зависимости от конкретной задачи и сочетать с другими показателями.
Еще больше метрик качества линейных регрессионных моделей и код для реализации этих функций.
Какие метрики оценки качества предсказаний используете Вы? Делитесь в комментариях!
Хотите не просто знать формулы, а понимать, как метрики влияют на поведение ваших моделей? На нашем курсе мы разбираем MSE, MAE и другие показатели на реальных примерах из биологии и медицины, показывая, как превращать результаты в обоснованные решения.
В следующем посте разберём, как объединить сильные стороны MSE и MAE.
Поговорим о функциях потерь Huber и Log-Cosh, которые сочетают точность и устойчивость к выбросам.
#openbio_education
📌 Машинное обучение в биологии и биомедицине | OpenBio.Edu — подписывайтесь!
MSE = Σᵢ₌₁ᴰ (yᵢ − ŷᵢ)²Из формулы видно, что MSE придает большим ошибкам больше веса — поскольку ошибка возводится в квадрат. Поэтому эта метрика особенно чувствительна к выбросам и часто используется в случаях, когда большие ошибки недопустимы или требуют сильного наказания.
MAE = Σᵢ₌₁ᴰ |yᵢ − ŷᵢ|Она интуитивно понятна: показывает "типичную" ошибку модели в тех же единицах измерения, что и целевая переменная. MAE менее чувствительна к выбросам по сравнению с MSE, что делает её предпочтительной при наличии выбросов в данных.
На первый взгляд кажется, что MAE проще и понятнее — ведь она не возводит ошибку в квадрат. Почему же тогда большинство методов обучения используют именно MSE?
Модель обучения основана на градиентных методах оптимизации, которым нужна дифференцируемая функция ошибки.
MSE — это гладкая функция с производной во всех точках.
MAE — негладкая: у функции есть "острый угол" при ошибке равной нулю, а её производная там неопределена или равна ±1. Это усложняет вычисление градиентов и оптимизацию.
Квадратичная функция MSE выпуклая и "более гладкая", что способствует более стабильной и быстрой сходимости алгоритмов обучения.
MAE тоже выпуклая, но из-за негладкости может приводить к медленной сходимости или застреванию в локальных минимумах.
Если предположить, что ошибки распределены нормально (гауссово), то минимизация MSE соответствует максимизации правдоподобия при этом распределении.
Это означает, что модель, минимизирующая MSE, ищет наиболее вероятное предсказание при нормальном шуме.
Итог: выбор функции ошибки зависит от математических свойств (гладкости, выпуклости), вычислительной сложности, поведения градиентов и статистических предположений о данных.
Важно помнить: ни MAE, ни MSE не универсальные метрики оценки качества модели. Их стоит использовать в зависимости от конкретной задачи и сочетать с другими показателями.
Еще больше метрик качества линейных регрессионных моделей и код для реализации этих функций.
Какие метрики оценки качества предсказаний используете Вы? Делитесь в комментариях!
Хотите не просто знать формулы, а понимать, как метрики влияют на поведение ваших моделей? На нашем курсе мы разбираем MSE, MAE и другие показатели на реальных примерах из биологии и медицины, показывая, как превращать результаты в обоснованные решения.
В следующем посте разберём, как объединить сильные стороны MSE и MAE.
Поговорим о функциях потерь Huber и Log-Cosh, которые сочетают точность и устойчивость к выбросам.
#openbio_education
📌 Машинное обучение в биологии и биомедицине | OpenBio.Edu — подписывайтесь!
Please open Telegram to view this post
VIEW IN TELEGRAM
❤12🔥5👏5
Новый гость третьего сезона встреч с экспертами - встречайте Фёдора Колпакова на вебинаре «Карьерный путь биоинформатика: от студента до лидера»!
🧬 Фёдор Анатольевич - научный руководитель направления «Вычислительная биология» в НТУ «Сириус» и заведующий лабораторией биоинформатики ФИЦ ИВТ. Сооснователь компаний «Биософт.Ру» и «Институт системной биологии». Работает на стыке генетики, вычислительных технологий и биомедицины, развивая проекты от анализа геномных данных до создания новых биомедицинских решений.
Встреча состоится 20 августа в 19.00 по Мск.
На встрече мы обсудим:
🔸 карьерный путь Фёдора и ключевые проекты в биоинформатике
🔸 перспективы вычислительной биологии в России и мире
🔸 как превращать научные идеи в работающие технологии
🔸 будущее геномных исследований и роль ИИ.
✔️ Зарегистрируйтесь, чтобы получить ссылку на трансляцию и запись вебинара.
❔ Оставляйте вопросы спикеру в комментариях — мы обязательно их озвучим.
Увидимся на эфире!
📍 Курс "Машинное обучение в биологии и биомедицине" | OpenBio.Edu — подписывайтесь! ➡️
Встреча состоится 20 августа в 19.00 по Мск.
Трансляции проходят в рамках курса «Машинное обучение в биологии и биомедицине» от OpenBio.
Следующее повышение цен уже скоро - успейте присоединиться по минимальной цене ↗️
На встрече мы обсудим:
✔️ Зарегистрируйтесь, чтобы получить ссылку на трансляцию и запись вебинара.
Увидимся на эфире!
Please open Telegram to view this post
VIEW IN TELEGRAM
1👍7🔥4❤2
Мы счастливы, что такие вдохновлённые и целеустремлённые люди выбирают нас. А мы, в свою очередь, делаем всё, чтобы становиться лучше и дарить новым студентам тот же опыт, который оставит только тёплые воспоминания.
Спасибо, что выбираете нас
#openbio_review #openbio_education #openbio_ml
Please open Telegram to view this post
VIEW IN TELEGRAM
Please open Telegram to view this post
VIEW IN TELEGRAM
👍4🔥4❤1