Сириус: искусственный интеллект

Как вы узнали из лекции, можно оптимизировать оба этапа синтеза белка.

Можно оптимизировать транскрипцию цепи ДНК, кодирующей белок (то есть процесс превращения этой цепи в РНК). В результате с того же количества ДНК получится больше РНК.
Можно оптимизировать трансляцию. В результате с того же количества РНК получится больше белка.

которые регулируют процесс транскрипции) взаимодействуют с конкретными участками ДНК. Такие правила обычно имеют следующий вид: если в последовательности ДНК на определённых позициях встречаются необходимые нуклеотиды, то с большой вероятностью соответствующий транскрипционный фактор сможет участвовать в процессе транскрипции.

Если собрать промотор (фрагмент ДНК, с которым взаимодействуют транскрипционные факторы) таким образом, чтобы с ним могло провзаимодействовать как можно больше нужных транскрипционных факторов, то можно повысить количество РНК, получаемой с данной ДНК.

Допустим, что следующие шаблоны ДНК отвечают за взаимодействие с тремя разными транскрипционными факторами:

1. A G _ _ _ A,
2. G C A _ _ T,
3. A _ _ A.

В каждом шаблоне на пропущенных позициях могут стоять произвольные нуклеотиды ДНК.

Составьте промотор наименьшей длины, который содержит в себе фрагменты, удовлетворяющие каждому из трёх шаблонов. Обратите внимание, что эти фрагменты могут пересекаться.

Если промоторов наименьшей возможной длины несколько, укажите в ответе любой из них.

Теперь нужно произвести кодон-оптимизацию той же последовательности — QEV. Cчитайте, что запрещёнными считаются следующие последовательности РНК:

1. AGAG
2. AGGA
3. AGUC

В жизни запрещённые последовательности существенно сложнее, представленные выше последовательности считаются запрещёнными исключительно в рамках этого задания.

Также будем считать, что все РНК-кодоны в целевом организме встречаются с одинаковой вероятностью.

В ответ введите последовательность РНК, которая в результате трансляции будет преобразована в необходимую аминокислотную последовательность.

Диффузионные модели
Диффузионные модели — класс моделей машинного обучения, которые умеют восстанавливать объекты из случайного шума. Например, данный класс моделей лежит в основе моделей ИИ, которые по заданному описанию генерируют изображения: DALL-E 2, Stable Diffusion и Kandinsky.
В процессе обучения подобные диффузионные модели учатся восстанавливать из изображения, к пикселям которого добавили случайный шум, исходную версию.
За счёт последовательного применения диффузионные модели могут восстановить исходное изображение из полностью случайного шума.
Это позволяет генерировать на основе случайного шума абсолютно новые изображения. Однако для того, чтобы модель понимала, какое изображение ей необходимо сгенерировать, на каждом шаге в качестве подсказки ей сообщается информация о том, что должно быть на изображении. Подобные подсказки позволяют сделать генерацию изображения направленной.
В общем случае диффузионная модель не знает, что работает с изображениями. Для неё изображение, как и любой другой объект (например, текст), представляется в виде последовательности чисел.
Самый простой способ представить изображение в виде последовательности чисел — закодировать каждый пиксель в виде числа и представить изображение как набор чисел, каждое из которых соответствует отдельному пикселю. Ниже приведён пример представления чёрно-белого изображения размера 5×5
пикселей в виде последовательности чисел, каждое из которых находится в диапазоне от 0 до 255:
Если изображение цветное, то каждый пиксель на нём зачастую представляется в виде трёх чисел интенсивности RGB.
Какую длину будет иметь последовательность, которая является численным представлением цветного изображения размера 1920×1080
пикселей?