從細胞圖像到基因組，從影像到藥物發現，還有人工智慧做不了的？（上）
高層速讀
關鍵信息：生物學研究人員正在使用深度學習演算法對細胞圖像進行分類、建立基因組聯繫、推進藥物發現…從基因組學、成像到電子病歷均有深度學習的應用。
關鍵意義：人工智慧為生物數據的測量和分類提供了強有力的幫助，深度學習可以檢測到人類無法看到的數據特徵，演算法模型現可以較高精準度識別圖像標籤。
人工智慧作為一種流行的科技，為生物數據的測量和分類提供了強有力的幫助，但是對於那些對人工智慧不熟悉的人來說，這項技術是困難的。
谷歌團隊與神經學家的合作
四年前，谷歌的科學家們出現在了神經學家 Steve Finkbeiner的家門口，這些科學家是位於加州山景城的谷歌加速科學研究部門的人員，該部門的目標是利用谷歌人工智慧技術來加速科學發展，他們有興趣將深度學習技術應用於神經疾病研究，比如與擁有大量神經成像數據的Finkbeiner團隊合作。
在神經成像數據中，深度學習演算法從一個非常大的、帶注釋的數據集(如圖像或基因組集合)中獲取數據的原始特徵，並利用它們創建一個數據預測模型，一旦經過訓練，這些演算法就可以應用這種訓練來分析其他數據。
Finkbeiner說，這項技術可以用來解決「真正困難、棘手、複雜的問題，並能看到數據中的結構的不足：數據量太大、太複雜、人腦無法理解等。」
Finkbeiner和他的團隊使用一種高通量成像策略來獲取數據，這種策略是他們為研究腦細胞而開發的。但團隊的數據分析速度卻遠不如獲取速度那樣快，因此Finkbeiner同意與谷歌團隊合作。
在達成合作之後，Finkbeiner坦然地說道：「我當時可不能實話實說，雖然我知道深度學習可以解決哪些問題，但我也清楚，我們數據分析能力只有數據獲取能力的一半左右，我們團隊的數據分析能力還是比較弱。」
深度學習演算法初見成效
現在，二者的合作和努力開始收到成效。Finkbeiner的團隊和谷歌的科學家一起，訓練了一套由兩組細胞組成的深度學習演算法。其中一組是未標記的，另一組是人工標記的，用來表示科學家通常觀察不到的數據特徵。
Finkbeiner說，當他們後來將該演算法運用在未貼標籤的細胞圖像上時，團隊驚訝地發現，「該演算法在預測圖像該貼什麼標籤方面非常出色」，並且有一份詳細說明這一工作的刊物即將出版。
Finkbeiner的成功凸顯了人工智慧最有希望的分支之一--深度學習--正在生物學領域取得進展，這些演算法已經滲透到智能手機、智能音箱和自動駕駛汽車等領域中。在生物學中，深度學習演算法以人類無法理解的方式深入數據，檢測到人類可能無法捕捉到的生物特徵。
研究人員正在使用這些演算法對細胞圖像進行分類，建立基因組聯繫，推進藥物發現，甚至發現不同數據類型之間的聯繫，從基因組學、成像到電子病歷領域均有應用。
訓練智能演算法做出預測
深度學習演算法是20世紀40年代首次提出的一種計算模型，它依賴於神經網路。在該模型中，類似神經元的節點層模仿人類大腦分析信息的方式。賓夕法尼亞大學費城分校的計算生物學家Casey Greene說，直到五年前，基於神經網路的機器學習演算法還依賴於研究人員將原始信息處理成一種更有意義的形式，然後將其輸入計算模型。
但是，數據集規模的爆炸式增長--比如智能手機快照或大規模基因組測序--以及演算法創新等，已經使人類的數據處理能力後退一步成為可能。機器學習的「深度學習」這一進步，迫使計算機找到嵌入的各種像素之間的微妙關係。作為神經網路過濾和信息排序的層，它們還相互通信，允許每一層優化前一層的輸出。
最終，這個過程允許一個經過訓練的演算法來分析一幅新的圖像，並能正確地識別它，例如某一個病患的細胞。但是，演算法無法再控制分類過程，甚至無法精確解釋軟體正在做什麼。儘管這些深度學習網路在做出預測方面可以驚人地準確，但finkbeiner說，「有時候要弄清楚網路看是因為到了什麼才能做出如此準確的預測仍然是一項挑戰」。
生物學的其他分支也獲得回報
然而，生物學的許多分支學科如成像等，正在從這些預測中獲得回報。例如，2005年，麻省理工學院和哈佛大學的計算生物學家Anne Carpenter發布了一個名為Cell Profiler的開源軟體包，以幫助生物學家定量測量個體特徵。例如：顯微鏡領域中熒光細胞的數量或斑馬魚的長度。
但是深度學習可以讓Carpenter的團隊走得更遠。她說：「我們已經轉向測量生物學家們沒有意識到的可以用圖像來測量的東西。」記錄並結合像DNA染色、細胞器紋理和細胞中空空間的質量等視覺特徵，可以產生數千個數據特徵，其中任何一個特徵都有可能揭示新發現。目前版本的Cell Profiler包含了一些深度學習的元素，她的團隊希望在明年增加更複雜的深度學習工具。
Carpenter說：「大多數人都很難做到，但事實上，在一張細胞圖像中存在很多信息，就像對細胞群進行轉錄分析時的信息一樣多。」
這種處理方式使Carpenter的團隊能夠採取一種監管較少的方法，將細胞圖像轉換為與疾病相關的表型。Carpenter還是Recursion製藥公司的科學顧問，該公司正利用其深度學習工具，針對罕見的單基因疾病進行藥物開發。
《深度學習給生物學帶來了哪些改變？》下篇即將發布，請繼續關注AI商業報道。
分享這篇文章
與同仁共同探討AI行業動向
往期文章
TAG:AI商業報道 |