人工智能和深度学习会颠覆生物和医学研究吗？

前言：阅读本文前需要先简单地了解以下几个概念

神经网络（Neural Networks）是一种应用类似于大脑神经突触联接的结构进行信息处理的数学模型。

深度学习（Deep Learning）的概念源于人工神经网络的研究。含多隐层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。

深度学习是机器学习（Machine Learning）研究中的一个新的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，声音和文本等。例如在围棋界所向披靡的阿尔法狗（AlphaGo）的工作原理就是深度学习。

都说眼睛是心灵的窗户，但谷歌的研究人员将它们视为一个人健康的指示器。这家科技巨头正在通过分析视网膜照片，利用深度学习（Deep Learning）来预测一个人的血压、年龄和吸烟状况。谷歌的电脑从血管的排列中收集了一些线索，初步的研究表明，这些机器可以利用这些信息来预测某人是否有心脏病发作的危险。

视网膜图像可以让电脑预测一个人即将发生心脏病发作的风险

这项研究依赖于卷积神经网络，这是一种正在改变生物学家如何分析图像的深度学习算法。 科学家正在使用这种方法来寻找基因组中的突变，并预测单个细胞布局的变化。 Google的方法在八月份的预印本（https://arxiv.org/abs/1708.09843; 2017）中有所描述，是新一代深度学习应用程序的一部分，这些应用程序正在使图像处理变得更容易，更通用，甚至可以识别被忽视的生物现象。

谷歌研究中心的工程总监Philip Nelson认为：“以前，将机器学习应用到生物学的许多领域是不现实的，但现在可以了，但更令人兴奋的是，机器现在可以看到人类前所未见的东西。”

卷积神经网络允许计算机在不分割图像的情况下有效地处理图像。2012年前后，随着计算机能力和存储技术的进步，这一技术在科技领域取得了成功。例如Facebook使用这种深度学习来识别照片中的人脸。但科学家们努力将这些网络应用于生物学，部分原因是由于不同领域的文化差异。Calico公司的首席计算官Daphne Koller说：“让一群聪明的生物学家把他们放在一个聪明的计算机科学家的房间里，他们会互相谈两种不同的语言，并有不同的思维方式。Calico公司是谷歌下属的一家生物技术公司。

科学家还必须确定哪些类型的研究可以通过网络进行，这些网络必须经过大量的图像训练才能开始预测。当谷歌想要利用深度学习来发现基因组中的突变时，科学家们不得不将DNA序列转换成计算机能够识别的图像。然后他们在DNA片段上训练他们的网络，这些DNA片段与一个参考基因组是一致的，他们的突变是已知的。最终结果是“深度变异”，这个工具在12月发布，可以发现DNA序列的微小变化。在测试中“深度变异”至少表现得像传统工具一样好。

位于华盛顿西雅图的Allen细胞科学研究所的细胞生物学家们正在使用卷积神经网络将光学显微镜捕获的扁平的、灰蒙蒙的细胞图像转换成三维图像，其中一些细胞器被标记为彩色。这种方法不再依赖于细胞染色这一耗时耗力的实验步骤，也就不会损伤细胞。上个月，该组织公布了这项先进技术的详细信息，该技术可以通过一些数据(比如细胞的轮廓)来预测更多细胞的形状和位置。(G. R. Johnson et al. Preprint at bioRxiv http://doi.org/chwv; 2017).

麻省理工学院和哈佛大学Broad研究所成像平台主任Anne Carpenter认为：“现在看到的是机器学习如何能够完成与成像有关的生物学任务，这是一个前所未有的转变”。2015年，她的跨学科团队开始使用卷积神经网络处理细胞图像，到现在，神经网络处理的图像数据占比达到了15％。 她预测这种方法将成为几年来该研究中心的主要处理模式。

另一些人最兴奋的是，通过分析卷积神经网络图像可能无意中揭示出微妙的生物学现象，这促使生物学家提出他们以前可能没有考虑过的问题。科学中最有趣的短语不是“发现了！”，而是“这很奇怪，发生了什么?”

Allen研究所的执行主任Rick Horwitz认为，这种偶然发现可能有助于疾病研究的进展。如果深度学习能够在单个细胞中发现癌症的细微标记，那么这将有助于提高研究人员对肿瘤进展的分类，这反过来又引发了关于癌症如何传播的新假说。

现在卷积神经网络正在进行图像处理，但是生物学中的其他机器学习专家已经将目光投向了新的领域，。德国环境健康研究中心的计算生物学家Alex Wolf认为：“成像是重要的，但化学和分子数据也是重要的，他希望能调整神经网络，以便分析基因表达。 他认为未来几年将会有一个非常大的突破，生物学家能够更广泛地应用神经网络。

翻译：BioWorld