[科技资讯] 深度学习改变生物学分析图像方式 几年后或将成主流

1月5日消息，人们常说眼睛是心灵的窗户，但谷歌研究人员却把眼睛当成了人们健康的指标。谷歌正在使用深度学习技术，通过分析人们的视网膜图像来预测一个人的血压、年龄和吸烟状况。谷歌的电脑可以从血管的排列中获得线索，之前的一项研究表明，电脑可以利用这些信息来预测一个人在不久的将来是否会有心脏病发作的风险。

这些研究依赖于卷积神经网络，这是一种深度学习算法，可以改变生物学家分析图像的方式。科学家们正在使用这种方法来发现基因突变，并预测单细胞排列的变化。Google带来了新一轮的深度学习应用，可以让图像处理更简单，更通用，甚至可以识别以前被忽视的生物现象。

加州山景城谷歌研究所工程主管菲利普·尼尔森说:“以前将机器学习应用于生物学的许多领域是不现实的。现在你可以做到了，更令人兴奋的是，计算机现在可以观察到许多人类以前可能从未见过的细节。

卷积神经网络可以使计算机高效、完整地处理图像，并且不需要对图像进行分解。这种方法最早出现在2012年的技术领域。例如，脸谱网使用这种深度学习技术来识别照片中的人脸。然而，科学家很难将这种方法应用于生物学，部分原因是这两个领域之间的文化差异。

旧金山生物公司calico的首席计算机官达芙妮·科勒(Daphne koller)说:“这就像你把一群生物学家送进一个房间，那里有一组计算机科学家。他们会用不同的语言交谈，会有不同的思维方式。

科学家还必须确定在卷积神经网络的帮助下可以进行什么样的研究。当谷歌想要使用深度学习来发现基因突变时，谷歌科学家必须将dna字母链转换成计算机可以识别的图像。然后他们需要用参考基因训练神经网络，从而发现突变。12月推出的deepvariant工具可以发现dna序列的微小变化。在测试中，deepvariant的性能至少能跟上传统工具。

西雅图艾伦细胞科学研究所的细胞生物学家正在使用卷积神经网络将光学显微镜拍摄的单调的灰白色照片转换成3d图像，并使一些细胞器带有颜色标签。这种方法消除了细胞染色的过程，这种过程需要花费大量的时间，需要在精确的实验室进行，并且会给细胞带来损伤。上个月，该团队宣布了一项先进的技术，只需一些数据就可以预测细胞其他部分的形状和位置。

麻省理工学院布罗德研究所(Broad Institute of Massachusetts)和哈佛大学成像平台负责人安妮卡彭特(Anne carpenter)表示:你现在看到的是一个前所未有的变化。机器学习可以通过图像的方式完成生物任务。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。现在卡彭特说，她研究中心大约15%的图像数据是基于卷积神经网络的。她预测，这种方法将在几年后成为研究中心的主要图像处理方法。

更令人兴奋的是，借助卷积神经网络分析图像，可以在不经意间揭开微妙的生物现象，让生物学家开始思考以前被忽视的问题。艾利研究所执行主任里克·霍维茨(Rick horwitz)表示，这样的偶然发现可以帮助医学研究不断取得进展。如果深度学习可以揭示单细胞中癌症的微妙标记，它可能有助于研究人员提前识别肿瘤。

生物学中的其他机器学习专家已经瞄准了更高级的领域，现在卷积神经网络已经广泛应用于图像处理中。德国环境健康研究中心的计算机生物学家亚历克斯·沃尔夫说:图像非常重要，但化学和分子数据同样重要。我认为未来几年将会取得重大突破，这将使生物学家能够更广泛地应用卷积神经网络。