深度學習演算法（deep-learning algorithms）從龐大的資料庫（如圖像或基因組的集合）中提取原始特徵，並使用它們根據內部的圖案創建預測工具，一旦訓練完成，該演算法可以應用於訓練來分析其他數據。深度學習演算法除了應用於智慧型手機、智慧家電和自動駕駛等領域中，目前也正在進入生物學領域，它以人類無法做到的方式潛入數據中，檢測人類無法捕捉的特徵。
許多公司和其研究團隊正在使用深度學習演算法對細胞圖像進行分類、建立基因體連接，並且促進藥物開發，試圖找到基因體學和成像到電子病歷等不同數據類型之間的連接點。
Verily Life Sciences（前身為Google Life Sciences）研究團隊開發了一種深度學習工具——DeepVariant，比傳統工具更準確地辯識單核苷酸多型性（single-nucleotide polymorphisms，SNP），SNP 為一種常見的遺傳變異。DeepVariant 的軟體將基因體訊息翻譯成圖像，然後進行分析。
加拿大 Deep Genomics 執行長 Brendan Frey 博士指出，他們公司專注於基因體數據研究，並且期望透過這些數據來預測和治療疾病。Brendan Frey 博士的學術研究團隊開發了健康細胞基因體和轉錄體數據相關的演算法，並且透過該演算法在這些數據中，建立 RNA 加工（processing）的預測模型，例如剪接、轉錄和多聚腺苷酸化（polyadenylation）。此外，即使他們從未看過臨床數據，該演算法能夠辯識突變並將其標記為致病性。同樣地，Deep Genomics 的團隊正在使用相同的工具來辨識和鎖定該軟體發現的疾病機制，並且研發短核酸序列衍生的治療方法。
Atomwise 開發了將分子轉換成 3D 像素結構的演算法——voxels，使得他們能以原子精度（atomic precision）解釋蛋白質和小分子的 3D 結構，並且建構碳原子的幾何形狀。該公司執行長 Abraham Heifets 指出，這些相關特徵能被轉換成演算法的數學向量，進而預測哪些小分子有可能與特定蛋白相互作用。然而，Atomwise 正在利用這一策略推動新的 AI 驅動分子篩選計劃，該計劃掃描一千萬個化合物數據庫，為學術研究人員提供多達 72 種潛在的小分子結合劑，以便他們應用於各自感興趣的蛋白質。
延伸閱讀：蘋果踏入醫療戰場 ── 病歷隨身帶著走參考資料：https://www.nature.com/articles/d41586-018-02174-z
©www.geneonline.news. All rights reserved. 基因線上版權所有 未經授權不得轉載。合作請聯繫：service@geneonlineasia.com
