Peptydy to krótkie łańcuchy aminokwasowe, które pełnią wiele ważnych
biologicznych funkcji (np. przeciwdrobnoustrojowe). Z tych względów
badacze poszukują nowych peptydów o potencjalnie istotnych funkcjach, co
jednak jest bardzo czaso- i kosztochłonne w warunkach laboratoryjnych.
Dlatego też często stosuje się metody uczenia maszynowego, począwszy od
modeli liniowych, po uczenie głębokie, które umożliwiają szybkie i tanie
wykrywanie określonych grup peptydów w danych genomicznych i
metagenomicznych. W mojej prezentacji pokazuję nie tylko proces
tworzenia takich narzędzi, ale również problemy z tym powiązane takie
jak brak odpowiednich danych (10.1093/nar/gkac882) oraz nierzetelne
benchmarki (10.1093/bib/bbac343).