深度学习算法（deep-learning algorithms）从庞大的数据库（如图像或基因组的集合）中提取原始特征，并使用它们根据内部的图案创建预测工具，一旦训练完成，该算法可以应用于训练来分析其他数据。深度学习算法除了应用于智慧型手机、智慧家电和自动驾驶等领域中，目前也正在进入生物学领域，它以人类无法做到的方式潜入数据中，检测人类无法捕捉的特征。
许多公司和其研究团队正在使用深度学习算法对细胞图像进行分类、建立基因体连接，并且促进药物开发，试图找到基因体学和成像到电子病历等不同数据类型之间的连接点。
Verily Life Sciences（前身为Google Life Sciences）研究团队开发了一种深度学习工具——DeepVariant，比传统工具更准确地辩识单核苷酸多型性（single-nucleotide polymorphisms，SNP），SNP 为一种常见的遗传变异。DeepVariant 的软件将基因体讯息翻译成图像，然后进行分析。
加拿大 Deep Genomics 执行长 Brendan Frey 博士指出，他们公司专注于基因体数据研究，并且期望透过这些数据来预测和治疗疾病。Brendan Frey 博士的学术研究团队开发了健康细胞基因体和转录体数据相关的算法，并且透过该算法在这些数据中，建立 RNA 加工（processing）的预测模型，例如剪接、转录和多聚腺苷酸化（polyadenylation）。此外，即使他们从未看过临床数据，该算法能够辩识突变并将其标记为致病性。同样地，Deep Genomics 的团队正在使用相同的工具来辨识和锁定该软件发现的疾病机制，并且研发短核酸序列衍生的治疗方法。
Atomwise 开发了将分子转换成 3D 像素结构的算法——voxels，使得他们能以原子精度（atomic precision）解释蛋白质和小分子的 3D 结构，并且建构碳原子的几何形状。该公司执行长 Abraham Heifets 指出，这些相关特征能被转换成算法的数学向量，进而预测哪些小分子有可能与特定蛋白相互作用。然而，Atomwise 正在利用这一策略推动新的 AI 驱动分子筛选计划，该计划扫描一千万个化合物数据库，为学术研究人员提供多达 72 种潜在的小分子结合剂，以便他们应用于各自感兴趣的蛋白质。
延伸阅读：苹果踏入医疗战场 ── 病历随身带着走参考资料：https://www.nature.com/articles/d41586-018-02174-z
©www.geneonline.news. All rights reserved. 基因线上版权所有 未经授权不得转载。合作请联系：service@geneonlineasia.com
