深度學習在基因表達譜分析上取得重要進展

　　近日，一項刊登在國際雜志Bioinformatics上的研究論文中，來自加州大學爾灣分校和博德研究所的研究人員通過深度學習算法進行大規模基因表達預測，并在預測精度上獲得了顯著提升。

　　全基因組表達譜分析被廣泛應用于描述細胞在不同生理病理條件下的活動狀態，例如不同的癌組織細胞在各種給藥條件下會產生截然不同的生理反應和表達譜。然而由于其相對昂貴的成本，目前只有少數資金充足的實驗室能夠進行大規模全基因組表達譜分析。

　　雖然人體全基因組含有約22000個基因，但是大量數據表明絕大部分基因的表達譜之間存在高度關聯。基于此假設，博德研究所的研究人員開發出L1000芯片技術，能以十分低廉的價格（~5$/樣本）測量約1000個"標桿"基因的表達譜。在此基礎之上，研究人員便可以結合已有的全基因組表達譜數據，計算預測剩余的約21000個"目標"基因的表達譜。目前研究人員采用基于線性回歸的計算模型進行預測，而大量實驗表明基因表達譜之間存在廣泛的非線性關聯。因此目前的計算模型在預測精度上還受到一定限制。

　　來自加州大學爾灣分校的研究人員通過大規模多任務深度學習網絡進行"目標"基因表達譜預測，在原有線性回歸模型的基礎上將預測精度提高了15.33%。進一步分析表明，在約21000個"目標"基因中，深度學習算法在99.97%的基因上獲得了更加準確的預測精度。通過查看深度學習網絡各層之間的權值，研究人員發現深度學習網絡自動捕獲了全基因表達譜之間的非線性關聯，從而部分解釋了深度學習網絡相較于線性回歸模型的優勢。研究人員在文章的最后開放了GitHub源代碼，并提供了對NIH LINCS計劃約130萬個樣本表達譜預測結果的下載。

　　文章共同一作Yi Li表示，在過去幾年中深度學習方法在傳統AI問題上已經取得了長足進展，但是在計算生物和生物信息學上的應用，從2015年開始才在DNA序列分析上嶄露頭角。隨著各種大規模生物數據集的公布（如NIH LINCS計劃）以及各種開源工具的普及（如果谷歌的深度學習開源框架TensorFlow），相信深度學習未來將在更多其他類型的生物數據分析上取得進展。