作者:張凱迪/ 有勁生物科技

 

Alphabet (Google母公司)旗下子公司的DeepMind的人工智慧系統AlphaGo近日將與中國棋士柯潔在中國的圍棋發源地烏鎮再度對決,使得時下機器學習的應用再度成為新聞話題。機器學習並不是近幾年才熱門了研究領域,媒體使用「人工智慧」、「機器學習」與「深度學習」這幾個名詞來描述 DeepMind 的致勝方式,這三者雖皆是 AlphaGo 擊敗前次比賽韓國棋手李世乭的原因,卻並非指同一件事情,其中各有巧妙不同。

 

用同心圓最能簡單說明三者間的關係,最早出現的人工智慧是最大那個圓,接著是後來出現的機器學習,最後是推動目前人工智慧領域出現爆炸性發展的深度學習,則是落在最內一圈。

170517_1.png

圖片來源:NVIDIA (https://goo.gl/HxQcZx)

 

隨著深度學習的基礎理論與應用技術漸趨完整,這個領域正在逐漸促使許多產業與應用大幅進步,像是自動駕駛、語音助理和其他商業應用 (保險試算與投資)。如今在NGS的各種定序應用與大數據技術的協助下,現在深度學習也開始整合基因體學的各種資訊,對遺傳變異與疾病等性狀有更準確地預測與解釋,對於未來疾病檢測與臨床治療將更具有實質的幫助。

 

在生物資訊領域中,許多早先研究即導入機器學習的分析機制來預測如序列Motif、蛋白質3D結構、蛋白質耦合作用等現象。其中個體遺傳變異是影響這些分子生物現象的主要因素,變異使得蛋白質的功能改變,或是遺傳訊息傳遞異常。生物資訊學家們也利用這些個體的遺傳變異來尋找基因型 (genotype)與表現型 (phynotype)之間的關係。

 

研究基因體學的其中一個問題在於它的變異資訊量非常的大,細胞藉由這些基因體資訊來調控細胞內的運作以及組織間的訊息傳遞,我們很難對基因體內的遺傳變異與調控機制的關係有全盤的了解。因此我們在透過遺傳變異來預測疾病時,很難有準確的結果。基於現在NGS定序價格降低,Deep Genomic共同創辦人Brendan Frey認為要達到藉由遺傳變異來探究基因型 (genotype)與表現型 (phynotype)的關係需要透過分子生物層面的表現型來媒介這之間的關係。

 

透過分子生物層面的表現型來反應遺傳變異的影響需要模擬數種細胞內的各種基因調控的參數,像是美國Anshul Kundaje使用深度學習研究cis-element序列與chromotin structureGene expression (RNA-seq)之間的關係。加拿大的Andrew Delong, Babak Alipanahi, David Kelley研究透過deep learning來預測Protein-coding sequences的變異與DNA-RNA-binding protein的行為。Alex Rosenberg藉由deep learning 來預測基因體內整體的變異對alternative splicing的影響。

 

這些研究透過深度學習數據化的定義出序列變異對於基因表現量的影響,或是對於訊息傳遞的具體影響為何,這比常見的HMM預測模型更具彈性。在NGS以及大數據逐漸成熟的年代,深度學習也許能夠將遺傳疾病與癌症的致病機制大幅釐清,將為強調個體間差異的精準醫療大大往前邁進一步。

 

參考:

https://www.oreilly.com/ideas/deep-learning-meets-genome-biology

 

 

官網用CC創用_SA.png

 

 

 

arrow
arrow

    Yourgene Health 發表在 痞客邦 留言(0) 人氣()