各國(guó)政府為了抗擊新冠疫情采取了各種措施，而全球疫情形勢(shì)依然嚴(yán)峻，人們對(duì)于有效疫苗的盼望前所未有的迫切。

[[323604]]

美國(guó)開展了一項(xiàng)基于RNA結(jié)合蛋白的疫苗試驗(yàn)，向志愿者注射類似的冠狀病毒，但并非那種致命病毒。盡管研究人員已經(jīng)迅速開展了人體試驗(yàn)，減少動(dòng)物試驗(yàn)，但距離新冠疫苗被批準(zhǔn)通過至少還需要18個(gè)月。

[[323605]]

現(xiàn)在的問題是，可以加快疫苗的生產(chǎn)過程嗎?如何加快呢?答案在于技術(shù)領(lǐng)域，而不是醫(yī)學(xué)領(lǐng)域。

深度學(xué)習(xí)是一種基于人工智能的方法，該方法可以使用反向傳播算法，讓人工智能機(jī)器更改其內(nèi)部指標(biāo)，從而更改前一層中每一新數(shù)據(jù)表示層的計(jì)算方式。

深度學(xué)習(xí)推動(dòng)了語音識(shí)別、圖像檢測(cè)、面部識(shí)別甚至藥物研發(fā)等創(chuàng)新技術(shù)的發(fā)展。在加快COVID-19有效疫苗的研發(fā)進(jìn)程方面，深度學(xué)習(xí)依然扮演者重要角色。

什么是深度學(xué)習(xí)?

之前已經(jīng)討論了深度學(xué)習(xí)與算法學(xué)習(xí)的反向傳播方法之間的關(guān)系。現(xiàn)在將深度學(xué)習(xí)與機(jī)器學(xué)習(xí)進(jìn)行比較。

機(jī)器學(xué)習(xí)有三種主要的學(xué)習(xí)方法：

• 監(jiān)督學(xué)習(xí)
• 無監(jiān)督學(xué)習(xí)
• 強(qiáng)化學(xué)習(xí)

但是，所有這些學(xué)習(xí)方法都依賴于結(jié)構(gòu)化數(shù)據(jù);而深度學(xué)習(xí)則使用ANN(人工神經(jīng)網(wǎng)絡(luò))層。簡(jiǎn)言之，機(jī)器學(xué)習(xí)使用賦予對(duì)象的特定標(biāo)簽進(jìn)行分類，而深度學(xué)習(xí)將使用網(wǎng)絡(luò)層定義對(duì)象特征的層次結(jié)構(gòu)來進(jìn)行分類。

什么是視黃醇結(jié)合蛋白?

RBP或視黃醇結(jié)合蛋白可用作病毒和目標(biāo)疾病細(xì)菌的替代物，從而激發(fā)人類抗體防御疾病。為了紀(jì)念有效的基因組研究和疫苗建構(gòu)，RBP位點(diǎn)預(yù)計(jì)將針對(duì)RBP攻擊，就像對(duì)待非洲Vivax瘧原蟲那樣。

RBP靶位點(diǎn)基于核糖核酸相互作用進(jìn)行預(yù)測(cè)，并且已經(jīng)對(duì)RBP靶位點(diǎn)進(jìn)行了全面的研究，并建立了許多現(xiàn)有模型。最受歡迎的方法有兩種。

[[323606]]

圖源：unsplash

特征級(jí)融合方法：

核糖核酸的相互作用位點(diǎn)的預(yù)測(cè)因子是通過序列信息開發(fā)的。眾所周知，如今有關(guān)人類基因組和疾病研究的一切都需要核糖核酸測(cè)序。就像在應(yīng)用開發(fā)結(jié)構(gòu)中使用的編碼語言一樣。

這些測(cè)序數(shù)據(jù)是從細(xì)胞活動(dòng)、基因組序列變化等不同來源收集到的。將這些數(shù)據(jù)和特征融合為單個(gè)高維的特征即可用于預(yù)測(cè)RBP。但是，它在尺寸上存在缺陷，需要更多時(shí)間。

決策級(jí)融合：

這種方法提出了五種不同的學(xué)習(xí)模型。這些模型適用于核糖核酸相互作用的不同方面，如基因組序列、二級(jí)序列、基因組本體信息以及核糖核酸相互作用的區(qū)域類型等。這些模型的結(jié)果最終融合在一起，從而預(yù)測(cè)核糖核酸相互作用位點(diǎn)。

使用新的深度學(xué)習(xí)方法進(jìn)行RBP位點(diǎn)預(yù)測(cè)

發(fā)現(xiàn)RNA相互作用位點(diǎn)或RBP位點(diǎn)對(duì)基于基因組的研究至關(guān)重要，尤其是在藥物發(fā)現(xiàn)領(lǐng)域。

現(xiàn)在，研究人員正在探索一種名為iDeep的深度學(xué)習(xí)方法，用于預(yù)測(cè)RBP位點(diǎn)，助力新型冠狀病毒疫苗的研發(fā)。

研究人員普遍使用的兩種預(yù)測(cè)模型存在一個(gè)共同的缺點(diǎn)。它們都使用觀察數(shù)據(jù)中提取的特征，而這些特征可能會(huì)出錯(cuò)。而深度學(xué)習(xí)提供了一種獨(dú)特的方法，可用于混合多個(gè)抽象層。這些抽象層通過高級(jí)抽象空間放大數(shù)據(jù)。基于深度學(xué)習(xí)模型的獨(dú)特之處在于集成了異構(gòu)數(shù)據(jù)并從原始輸入中學(xué)習(xí)了復(fù)雜的模式。

用于冠狀疫苗研究的RBP位點(diǎn)預(yù)測(cè)的深度學(xué)習(xí)框架

DBN(深度置信網(wǎng)絡(luò))：

這是一種深度學(xué)習(xí)算法，可優(yōu)化大量數(shù)據(jù)中高級(jí)功能的學(xué)習(xí)。Deep-net rbp是另一種算法，它與深度置信網(wǎng)絡(luò)一同預(yù)測(cè)視黃醇結(jié)合蛋白交互位點(diǎn)。

CNN(卷積神經(jīng)網(wǎng)絡(luò))：

這是另一種深度學(xué)習(xí)模型，與傳統(tǒng)的統(tǒng)計(jì)學(xué)習(xí)模型不同。它僅用一步就結(jié)合了特征提取和模式或特征的學(xué)習(xí)，而不用兩步。這減少了提取特征與模型學(xué)習(xí)特征之間不匹配的可能性。

CNN模型用于根據(jù)模型在輸入數(shù)據(jù)上使用的過濾器來識(shí)別模式，從而識(shí)別核糖核酸基序。核糖核酸基序是一種用于構(gòu)建核糖核酸結(jié)構(gòu)的特殊核糖核酸序列。

iDeep框架：

iDeep是一種通過結(jié)合多個(gè)卷積神經(jīng)網(wǎng)絡(luò)和深度置信網(wǎng)絡(luò)模型而創(chuàng)建的多模型框架。該混合網(wǎng)絡(luò)將卷積神經(jīng)網(wǎng)絡(luò)模型用于順序數(shù)據(jù)，將深度置信網(wǎng)絡(luò)模型用于二進(jìn)制或數(shù)字?jǐn)?shù)據(jù)。結(jié)合使用混合框架的不同深度神經(jīng)網(wǎng)絡(luò)將使用原始輸入數(shù)據(jù)進(jìn)行訓(xùn)練。

此外，從不同的抽象層調(diào)整對(duì)這些模型的訓(xùn)練結(jié)果，并使用反向傳播方法將抽象層從每個(gè)模型共享的頂部公共層調(diào)整到底部的單個(gè)抽象層。

接下來，提取整個(gè)模型中潛在的特征，這些特征將進(jìn)一步用于深度學(xué)習(xí)算法的學(xué)習(xí)，從而預(yù)測(cè)用于靶向核糖核酸相互作用的RBP位點(diǎn)。

如何幫助研究人員更快地研發(fā)疫苗?

• 冠狀疫苗的研發(fā)現(xiàn)已進(jìn)入人體試驗(yàn)階段，需要確定RBP位點(diǎn)有效靶向mRNA，從而獲得更好的結(jié)果。
• iDeep探索了多層混合框架，該框架允許逐層學(xué)習(xí)模型。
• 通過這種方法，研究人員可以通過連續(xù)的特征層學(xué)習(xí)來提高核糖核酸相互作用位點(diǎn)檢測(cè)的準(zhǔn)確度。
• iDeep模型有助于創(chuàng)建層輸出充當(dāng)后續(xù)層輸入的過程。
• iDeep模型集成了卷積神經(jīng)網(wǎng)絡(luò)和深度置信網(wǎng)絡(luò)，兩者都有助于實(shí)現(xiàn)該過程。卷積神經(jīng)網(wǎng)絡(luò)有助于學(xué)習(xí)和捕獲核糖核酸測(cè)序的調(diào)控基序。
• 深度置信網(wǎng)絡(luò)可以從原始輸入數(shù)據(jù)中捕獲和提取高端功能。
• 因此，通過利用不同來源的核糖核酸-蛋白質(zhì)結(jié)合可提高分類能力。
• 共享的抽象層與最底層的單獨(dú)層融合讓iDeep框架的功能處理變得非常容易。
• 與現(xiàn)有框架相比，iDeep可以輕松加快核糖核酸相互作用位點(diǎn)的預(yù)測(cè)速度，提供準(zhǔn)確無誤的結(jié)果。

[[323607]]

圖源：unsplash

不可否認(rèn)，AI已經(jīng)成為人類反擊疫情最重要的工具之一。如果研究人員可以利用深度學(xué)習(xí)方法加快冠狀疫苗的研發(fā)，將可以挽救許多生命，世界也將早日重回正軌。這值得我們期待!

本文轉(zhuǎn)載自公眾號(hào)“讀芯術(shù)”(ID：AI_Discovery)