色播亚洲精品网站亚洲第一,免费特级黄毛片,北条麻妃久久99精品,最近最新的日本中文字幕,国产精品猎奇系列在线观看,亚洲视频一区二区三区,一级做a毛片在线看

    最近基因產業(yè)有點兒火。上月17日，華大基因宣布組建以人工智能為核心的新業(yè)務機構，引起業(yè)界一片猜測；接著7月29日央視全面聚焦精準醫(yī)療，大篇幅介紹了基因檢測，一下子連街頭的大爺大媽們都嘮起了基因。然而就在這期間，加拿大一家叫Deep Genomics的公司悄然成立了，并迅速占領了國外各大媒體的頭條（國內卻鮮有報道）。

    那么這家公司究竟在做什么？又有哪些過人之處？讓我們先看看國外的媒體評價。加拿大的《環(huán)球郵報》表示“這家多倫多創(chuàng)業(yè)公司意圖撼動基因測序市場”；而美國《**》則評價說“Deep Genomics，一家將深度學習的能量帶到基因組學的創(chuàng)業(yè)公司”；Gizmag稱“Deep Genomics意欲借助深度學習改革基因醫(yī)療”；《連線》之前的報道稱“機器智能破譯遺傳控制”；《科學美國人》說得很玄乎，“我們DNA的某些角落暗藏疾病線索–深度學習之光照亮基因突變鮮為人知的角落”。

    總結下來，Deep Genomics就是人工智能和基因組學聯(lián)姻的產物，即“Deep Learning + Genomics”。在用深度學習研究基因組學的時代，Deep Genomics推開了第一扇窗。

    也許你心中有個大大的疑問，基因檢測都做了這么長時間了，很多疾病都可以檢測了，基因組學為什么需要深度學習技術？這里舉個例子，某市突然停電了，為了搞清楚為什么停電，有兩種辦法：第一種是把所有電線全都排查一遍，然后找到損壞的地點；第二是選那些平時就很容易損壞的地點去排查。如果我們對100個不同城市的斷電原因做統(tǒng)計分析，不難發(fā)現(xiàn)有些原因出現(xiàn)的頻率高，有些原因出現(xiàn)的頻率低。

    我們人體也一樣，人群中的DNA突變（SNVs）總數(shù)大概數(shù)以億計，其中突變頻率大于1%的叫做SNPs，SNPs大概有300萬個。要研究疾病與SNPs之間的關系，需要巨大的患者樣本量，統(tǒng)計出患者群體與正常人群體SNPs之間的差異。對于突變頻率小于1%的SNVs，雖然群體數(shù)量龐大，但是單個并沒有統(tǒng)計學意義，所以在疾病的分析中被自動屏蔽掉了。從數(shù)量上我們不難看出，基因檢測如果缺少對突變頻率小于1%的SNVs的深入分析，精準醫(yī)療只能被限制在狹小的范圍之內。

    目前我國衛(wèi)計委批準用于臨床檢測的項目包括：遺傳病診斷、產前篩查與診斷、植入前胚胎遺傳學診斷和腫瘤診斷與治療。這四類項目它們的共同特點是：疾病僅與一個或者幾個易感基因相關。實際上，除了單基因遺傳病之外，其他疾病的易感基因多少，取決于對該疾病的研究程度。比如，目前對乳腺癌的基因檢測主要集中在BRCA1和BRCA2基因，目前在這兩個基因里已經發(fā)現(xiàn)了大量的變異，可是我們卻對這些變異對乳腺癌的影響缺乏深入的認識。更何況隨著對乳腺癌樣本研究的深入，已經發(fā)現(xiàn)了40個跟乳腺癌相關的基因（當然，每個基因里都可能有多個SNVs）。因此，僅從基因檢測的角度來講，想要達到精準醫(yī)療，還為時尚早。

    Deep Genomics的創(chuàng)始人，加拿大多倫多大學的Frey教授很早就專注于該領域的研究。他們的學術團隊先后在國際頂尖期刊《Science》、《Nature Biotechnology》和《Bio***rmatics》刊登了該領域的研究成果，希望利用深度機器學習技術改造精準醫(yī)療，基因檢測、診斷和治療的發(fā)展。

    接下來就講講Deep Genomics是如何分析突變頻率小于1%的SNVs與疾病之間的關系。當然，要說清楚Deep Genomics的解決辦法，我們還需要繼續(xù)科普。對于沒有生物背景、且剛剛了解一點基因知識的同學來說，一談起疾病就會想到基因，但實際上從基因到疾病還有好幾步。鍋沒有做好，有可能是設計圖紙出了問題，也可能是模具出了問題。

    假設我們要做一個機器人，我們要先繪制圖紙和材料切割圖（DNA），然后根據(jù)圖紙和材料切割圖制作模具（RNA），再根據(jù)模具制作各種原件（蛋白質），最終這些元件組成有功能的機器人。我們的生命活動也是這樣一級級實現(xiàn)的，生命信息從承載基因的DNA，傳遞到RNA，再傳遞到有生物活性的蛋白質，最終由蛋白質實現(xiàn)所有生命活動。

    在制作機器人的過程中，錯誤可能出現(xiàn)在圖紙（基因）上，也可能出現(xiàn)在材料切割圖上。兩種錯誤都可能導致機器人功能異?！，F(xiàn)在的基因檢測，分析了基因中出現(xiàn)頻率高的變異對疾病的影響，而嚴重忽視了基因剪切變異對疾病的影響。原因無外乎控制基因剪切變異的出現(xiàn)頻率低，沒有統(tǒng)計學意義。但是它們的數(shù)量卻是巨大的–數(shù)以億計。Deep Genomics目前提供3.28億個SNVs如何影響RNA（制作模具的材料）剪切的預測。那Deep Genomics是如何做到的呢？

    根據(jù)目前基因檢測的思路，是很難對這些SNVs進行分析的。因此，Deep Genomics引入了深入學習的人工智能技術。首先Frey團隊建立了一個數(shù)學模型，然后輸入健康人的全基因組序列和RNA序列，對模型進行訓練，使模型學到健康人的RNA剪切模式；接下來，通過其他分子生物學方法對訓練后的模型進行確認和校正；最后使用幾個目前已知的病例數(shù)據(jù)，檢驗模型判斷的準確性。在這一思路的指導下，Deep Genomics推出了他們的第一款產品SPIDEX。只需將測序結果和細胞類型導入，SPIDEX便可分析出某一變異對RNA剪切的影響，并計算出該變異與疾病之間的關系。

    如果Deep Genomics的深度學習分析變得足夠精確，那么這項技術的貢獻顯而易見：直接分析突變頻率低的變異與疾病的關系；加速基因組學的研究和藥物的開發(fā)。同時我們要清醒地認識到，目前Deep Genomics的SPIDEX技術只能分析SNVs引起的RNA剪切變異與疾病的關系，對于其他原因導致的疾病也無能為力。但即便如此，人工智能在基因分析中的應用仍然值得期待，也許它會成為解碼基因與疾病奧秘的一把金鑰匙。