文/田雨

編/HLR,，吳穎儀

1

機(jī)器學(xué)習(xí)&基因組學(xué)的概念

技術(shù)的進(jìn)步是不可阻擋的,，哪怕這個(gè)技術(shù)是一把雙刃劍，比如核技術(shù),。機(jī)器學(xué)習(xí)作為一個(gè)新技術(shù),，也一樣，它的進(jìn)步誰(shuí)也阻擋不了,，事實(shí)上機(jī)器學(xué)習(xí)早就已經(jīng)滲透到大眾生活的方方面面,，如果說AlphaGo戰(zhàn)勝李世石跟廣大吃瓜群眾并無多大關(guān)系的話，那Siri呢,？Google Assistant呢,？淘寶越來越精準(zhǔn)，越來越深得你心的廣告投放呢,？還有前幾天海淀大街上溜達(dá)的那些送貨機(jī)器人呢,？是不是和多數(shù)人都密切相關(guān)了？這背后的核心技術(shù)都是機(jī)器學(xué)習(xí)啊,，汪健不是也說了這是個(gè)很有用的工具嗎,？那我們?yōu)槭裁匆芙^一個(gè)很好用的工具呢？

那我們就好好認(rèn)識(shí)一下這個(gè)工具吧,，先從背景術(shù)語(yǔ)入手,。  

機(jī)器學(xué)習(xí)是英文名稱Machine Learning(簡(jiǎn)稱ML)的直譯，在計(jì)算機(jī)界Machine一般是指計(jì)算機(jī),，所以,，機(jī)器學(xué)習(xí)字面上意思就是說讓計(jì)算機(jī)學(xué)習(xí)，注意,，是“學(xué)習(xí)”,，不是“工作”,。想讓計(jì)算機(jī)工作，那直接編程就好了,，給它一系列的指令就可以了,，但學(xué)習(xí)就不一樣了，機(jī)器學(xué)習(xí)是希望能夠賦予計(jì)算機(jī)學(xué)習(xí)的能力以此讓它完成直接編程無法完成的功能,，也就是把人類思考?xì)w納經(jīng)驗(yàn)的過程轉(zhuǎn)化為計(jì)算機(jī)通過對(duì)數(shù)據(jù)的處理計(jì)算得出模型的過程,，進(jìn)而能夠以近似于人的方式解決很多靈活而復(fù)雜的問題。因此,，這是一門多領(lǐng)域交叉的學(xué)科,，涉及概率論、統(tǒng)計(jì)學(xué),、逼近論、凸分析,、算法復(fù)雜度理論等多門學(xué)科,。

說完了機(jī)器學(xué)習(xí)，我們?cè)俸?jiǎn)單說一下基因組學(xué)genomics,，基因組學(xué)是是分子生物學(xué)的一個(gè)分支,，專注于研究一個(gè)基因組的所有方面，或者研究特定生物體內(nèi)的全套基因,。擁有了對(duì)DNA進(jìn)行測(cè)序的能力,，研究人員就能夠“讀取”指導(dǎo)有機(jī)體活動(dòng)的基因藍(lán)圖。能夠獲得基于4個(gè)基本堿基（A,，C,，G和T）的一份“密碼本”，這些密碼被進(jìn)一步組織成能編碼蛋白質(zhì)的DNA片段,，也就是基因,。人類有大約30億個(gè)堿基和2萬個(gè)基因。有機(jī)體擁有基因的總和被稱為基因組,?；蚪M就像一個(gè)底層的操作系統(tǒng)，我們的一切生命過程都是在此基礎(chǔ)上運(yùn)行的,?；虺隽藛栴}，上面再花哨的App都得崩潰,。

從上述的概念其實(shí)就不難看出機(jī)器學(xué)習(xí)和基因組學(xué)天生就有很多特質(zhì)是相互契合的,，大家都是要跟大數(shù)據(jù)過不去，你有0101,，我有ATCG,，機(jī)器學(xué)習(xí)靠的是相關(guān)性，而不是因果關(guān)系，無獨(dú)有偶,，關(guān)于基因和疾病的關(guān)系最初始也是最重要的一步就是確定二者的相關(guān)關(guān)系,，才能設(shè)計(jì)更多的實(shí)驗(yàn)去驗(yàn)證因果關(guān)系。那這些前世注定的緣分能否獲得三生三世十里桃花般的繁榮圖景呢,？我們從當(dāng)前的應(yīng)用出發(fā),，窺探一下其中的天機(jī)吧！ 

▲  圖片來源: HIT consultant

基因組學(xué)最終是要為精準(zhǔn)醫(yī)療（Precision Medicine）服務(wù)的,，精準(zhǔn)醫(yī)療是一種將個(gè)人基因,、環(huán)境與生活習(xí)慣差異考慮在內(nèi)的疾病預(yù)防與處置的新興方法,目標(biāo)是實(shí)施患者或特定人群的治療干預(yù)。但是目前,，更大程度上實(shí)施精準(zhǔn)醫(yī)學(xué)存在兩大障礙：成本高和技術(shù)限制,。對(duì)我們做基因領(lǐng)域研究的人而言，幸運(yùn)的是,，基因組測(cè)序的成本在持續(xù)下降,，但是處理和分析收集到的大量患者數(shù)據(jù)，依然有不小的成本問題和技術(shù)門檻,，所以許多研究人員正在實(shí)施機(jī)器學(xué)習(xí)技術(shù)來識(shí)別大量遺傳數(shù)據(jù)集中的模式,，然后將這些模式轉(zhuǎn)化為計(jì)算機(jī)模型，這可能有助于預(yù)測(cè)個(gè)體發(fā)展某些疾病的可能性或幫助獲取潛在治療設(shè)計(jì),。與此同時(shí)直接到消費(fèi)者的基因組學(xué)也在蓬勃發(fā)展,，這一類向個(gè)人消費(fèi)者提供的基因組測(cè)序服務(wù)也正在使用機(jī)器學(xué)習(xí)來解讀遺傳信息，探究基因如何影響個(gè)體的方方面面,。概括的說就是我們想要利用機(jī)器學(xué)習(xí)的優(yōu)勢(shì)幫助基因研究人員分析解讀數(shù)據(jù),，幫助臨床醫(yī)生提供患者護(hù)理，并使有興趣了解遺傳差異如何影響健康的人更容易接觸基因組學(xué)[1],。

2

機(jī)器學(xué)習(xí)在基因組學(xué)中的應(yīng)用

接下來,，我們具體看一下機(jī)器學(xué)習(xí)當(dāng)前在基因組學(xué)中的幾個(gè)主要應(yīng)用領(lǐng)域。

全基因組測(cè)序（Whole Genome Sequencing,，WGS）已經(jīng)成為醫(yī)學(xué)診斷領(lǐng)域的熱點(diǎn),。新一代測(cè)序技術(shù)已成為一種流行詞，它涵蓋了現(xiàn)代DNA測(cè)序技術(shù),，使研究人員能夠在一天內(nèi)測(cè)序完整的人類基因組,，但是如何解釋這些遺傳變異依然是很大的工作量。于是有了諸如Deep Genomics等公司嘗試使用機(jī)器學(xué)習(xí)來幫助研究人員解釋遺傳變異,。具體來說,，算法是基于大型遺傳數(shù)據(jù)集中確定的模式進(jìn)行設(shè)計(jì)的，然后將其轉(zhuǎn)換為計(jì)算機(jī)模型,，以幫助客戶解釋遺傳變異如何影響關(guān)鍵的細(xì)胞過程比如代謝,，DNA修復(fù)還有細(xì)胞生長(zhǎng)以及破壞這些途徑的正常功能是否可能會(huì)導(dǎo)致癌癥或其他疾病,。這家總部位于多倫多的創(chuàng)業(yè)公司成立于2014年，已獲得來自三家美國(guó)風(fēng)險(xiǎn)投資公司（Bloomberg Beta,，Eleven Two Capital和True Ventures）的370萬美元種子資金,。加拿大政府最近向“泛加拿大人工智能戰(zhàn)略”撥款1.25億美元。截至2017年4月,，Deep Genomics已經(jīng)參與其中7項(xiàng)已公開發(fā)表的研究,，大多數(shù)是預(yù)測(cè)或推斷潛在遺傳變異的。

基因編輯被定義為在細(xì)胞或生物體水平上對(duì)DNA進(jìn)行特定改變的方法,。CRISPR是一種基因編輯技術(shù),，可以提供更快，更便宜的基因編輯方式,。為了使用CRISPR,，研究人員必須首先選擇合適的靶序列。這可能是一個(gè)艱巨的過程,，涉及許多選擇和不可預(yù)知的結(jié)果,。機(jī)器學(xué)習(xí)擁有可以顯著減少識(shí)別合適目標(biāo)序列所必需的時(shí)間和成本[2]。  

位于倫敦的Desktop Genetics是一家融合了AI和CRISPR的軟件公司,。該公司成立于2012年，已累計(jì)從7家投資公司獲得580萬美元的股權(quán)融資,，其中包括了創(chuàng)業(yè)加速器,，風(fēng)險(xiǎn)投資公司和生物技術(shù)公司以及DNA測(cè)序經(jīng)驗(yàn)豐富的Illumina。

該公司主要的項(xiàng)目流程首先是將實(shí)驗(yàn)數(shù)據(jù)上傳到Google 云平臺(tái)上, 在云平臺(tái)上進(jìn)行數(shù)據(jù)的格式化和處理,然后由公司的生物信息學(xué)和機(jī)器學(xué)習(xí)團(tuán)隊(duì)利用這些數(shù)據(jù),，分析和設(shè)計(jì)CRISPR實(shí)驗(yàn)或訓(xùn)練新模型,。 使得新的CRISPR設(shè)計(jì)可以在實(shí)驗(yàn)室中進(jìn)行測(cè)試，并衍生出FASTQ數(shù)據(jù),，并再次反饋到工作流程中,。

▲ 圖片來源:DeskGen.com

該公司報(bào)告了最近一項(xiàng)研究的兩項(xiàng)重要發(fā)現(xiàn)：1）增加訓(xùn)練數(shù)據(jù)量能提高預(yù)測(cè)CRISPR活性算法的準(zhǔn)確性; 2）當(dāng)應(yīng)用于不同物種時(shí)，模型的準(zhǔn)確性降低,，例如人類與老鼠,。這些研究結(jié)果都不是特別令人驚訝，Desktop Genetics承認(rèn),，需要廣泛的研究來繼續(xù)改進(jìn)流程,，并通過推動(dòng)機(jī)器學(xué)習(xí)來影響CRISPR。

為患者服務(wù)的醫(yī)療團(tuán)隊(duì)的不同成員可以獲得的患者數(shù)據(jù)經(jīng)常存在著空缺,。這一挑戰(zhàn)引發(fā)了人們使用機(jī)器學(xué)習(xí)來提高臨床工作流程效率的興趣,。Intel設(shè)計(jì)了一款將機(jī)器學(xué)習(xí)功能集成到臨床工作流程中的分析工具包。目前英特爾與猶他州鹽湖城Intermountain醫(yī)療保健轉(zhuǎn)型實(shí)驗(yàn)室合作,，嘗試更有效地將遺傳學(xué)數(shù)據(jù)和其它臨床數(shù)據(jù)進(jìn)行整合,用于指導(dǎo)乳腺癌的治療和對(duì)患者護(hù)理[3],。

 雙方合作開發(fā)了一種算法來衡量諸如患者發(fā)展多種癌癥的風(fēng)險(xiǎn)水平等因素,。該工作流模型基于四大前提開發(fā)：

1. 與“臨床和患者數(shù)據(jù)”相關(guān)聯(lián)的基因組數(shù)據(jù)集中數(shù)據(jù)庫(kù)

2. 所有臨床醫(yī)生和遺傳咨詢師都可以訪問電子健康記錄（Electronic Health Records EHR）

3. 所有來自基因測(cè)試的數(shù)據(jù)都被整合到電子健康記錄

4. 臨床決策支持工具可操作且可訪問。臨床決策支持的例子包括家庭健康史,，篩查和過去的臨床數(shù)據(jù),。

據(jù)報(bào)道，英特爾的風(fēng)險(xiǎn)投資部門Intel Capital已經(jīng)投資了超過二十多家AI實(shí)體,，與其他專注于某一領(lǐng)域的垂直行業(yè)相比Intel在醫(yī)療領(lǐng)域的投資明顯有著相對(duì)走高的趨勢(shì),。

有人估計(jì)到2025年預(yù)測(cè)性基因測(cè)試和消費(fèi)者基因組市場(chǎng)價(jià)值將達(dá)到46億美元。預(yù)計(jì)市場(chǎng)擴(kuò)張的原因也很簡(jiǎn)單,，生存是生物的本能,，更好的生存是人類的本能，人們會(huì)越來越意識(shí)到基因組測(cè)試的重要性,，通過測(cè)序幫助確定發(fā)生特定疾病的可能性,，并在適當(dāng)?shù)闹笇?dǎo)下進(jìn)行預(yù)防，比如2013年美國(guó)演員安吉麗娜朱莉通過基因檢測(cè),，發(fā)現(xiàn)乳腺癌高風(fēng)險(xiǎn)后切除乳腺,，這事兒當(dāng)年引發(fā)了一大堆的熱議，有人說這是朱莉和麥利亞德基因公司（Myriad Genetics,，Inc.）聯(lián)手的公關(guān)秀,，因?yàn)辂溊麃喌乱恢鄙钕菰V訟之中，這家公司其實(shí)也夠勵(lì)志的,，花17年時(shí)間砸5億美元才開始獲得盈利,，然后最近20年一直在打官司，不過這里面涉及太多法律倫理層面的問題,。

我在這里想說的是：大家有沒有注意到,，朱莉基于基因檢測(cè)的結(jié)果作出切除乳腺的這一決定本身沒有被質(zhì)疑，當(dāng)年華大基因,，健康腫瘤項(xiàng)目的負(fù)責(zé)人劉永強(qiáng)就給出過肯定的回答,。所以盡管監(jiān)管問題以及醫(yī)療專業(yè)人員在幫助個(gè)人解讀其測(cè)試結(jié)果方面的作用目前依然沒有得到解決，但直接面向消費(fèi)者的基因組學(xué)是一個(gè)快速發(fā)展的行業(yè),，23 and Me 和Ancestry等領(lǐng)先的基因檢測(cè)公司公司也正在成為家喻戶曉的名字,。

23 and Me最近將來自600,000名研究參與者的數(shù)據(jù)與機(jī)器學(xué)習(xí)相結(jié)合，為遺傳重量報(bào)告（Genetic Weight Report）開發(fā)了一個(gè)模型,。該報(bào)告旨在提供關(guān)于個(gè)體遺傳基因如何影響體重的個(gè)性化分析,。用于開發(fā)每份報(bào)告的獨(dú)特因素包括“基因型，性別,，年齡和自我鑒定的主要祖先”,。這些因素可以從客戶的遺傳信息中確定，也可以根據(jù)在訪問報(bào)告前進(jìn)行的調(diào)查得出,。

▲ 圖片來源23 and Me

23 and Me迄今為止已擁有超過200萬的客戶,，所做的可不止遺傳體重報(bào)告這么一件事,，F(xiàn)DA已批準(zhǔn)了23 and me用于檢測(cè)阿爾茨海默病、帕金森病,、乳腺癌和卵巢癌等疾病的基因檢測(cè)產(chǎn)品,，隨著測(cè)試樣本數(shù)的增加和機(jī)器學(xué)習(xí)的應(yīng)用，未來應(yīng)當(dāng)可以建立更多疾病模型,。退一步講單純遺傳重量報(bào)告對(duì)其他相關(guān)行業(yè)未來的商業(yè)模式可能產(chǎn)生的影響都不可小覷,。

Ancestry.com LLC則是一家位于猶他州的私人在線公司。它是世界上最大的盈利家譜公司,，它運(yùn)營(yíng)著一個(gè)家譜,、歷史記錄和遺傳家譜網(wǎng)站ancestry.com，這是一個(gè)在線族譜社區(qū),，擁有龐大的家族關(guān)系數(shù)據(jù)量,，人們可以進(jìn)行進(jìn)行家族尋根，同時(shí)用戶在網(wǎng)站上的活動(dòng)其實(shí)也在為Ancestry提供線索,。Ancestry LLC的子公司AncestryDNA則提供直接面向消費(fèi)者的系譜DNA測(cè)試,。目前AncestryDNA已經(jīng)擁有超過700萬的客戶。

3

結(jié)語(yǔ)

基因組學(xué)中的機(jī)器學(xué)習(xí)目前正在影響著該領(lǐng)域的多個(gè)接觸點(diǎn),。努力實(shí)施機(jī)器學(xué)習(xí)以幫助加快科學(xué)數(shù)據(jù)從實(shí)驗(yàn)室到臨床的應(yīng)用路徑并使精準(zhǔn)醫(yī)學(xué)更為普及,，是智能商業(yè)未來所要面臨的機(jī)遇和挑戰(zhàn)，因?yàn)槭袌?chǎng)是不會(huì)放棄人工智能在醫(yī)療保健方面的巨大經(jīng)濟(jì)價(jià)值的,。

我們也將繼續(xù)密切關(guān)注基因組學(xué)領(lǐng)域,，相信該領(lǐng)域會(huì)是近期機(jī)器學(xué)習(xí)應(yīng)用的活躍領(lǐng)域。