谷歌開發出的深度學習算法模型，可用于預測DNA鏈等亞細胞結構的變化

該算法通過研究細胞的變化來進一步研究相關疾病的變化，獲得了多項人類尚未發現的研究成果。

眼睛是心靈的窗口，但從去年開始，谷歌的研究團隊就利用機器學習將眼睛轉化為檢查人體健康的“窗口”，他們通過算法分析人體的高精度3D視網膜照片發現，圖像里面包含的信息可以用來判斷出一個人的血壓、年齡和吸煙狀況。

近日，研究團隊又獲得了新的進展，利用算法分析其亞細胞結構（如線粒體、染色體、DNA鏈等）的變化后，發現了通過分析“眼睛”，我們可以判斷一個人是否有患心臟病的風險。

不同于以往，這里的研究成果不斷，背后的首要功臣是谷歌研究團隊開發的3D細胞結構模型的算法。繼Alpha Go之后，谷歌研究團隊又一“黑科技”秒殺人類。

其實揭開它的神秘面紗，其核心就是圖像處理算法。

圖像處理是如何應用到生物學領域的？

在生物學研究領域，細胞生物學的研究核心點就是：結構決定功能。其中，蛋白質學中就有理論明確提出，細胞的狀態由細胞內結構的位置以及細胞周期的改變來確定。

在這一背景下，研究學者自然就想到從3D顯微鏡圖像切入研究細胞結構，希冀借由圖像處理來進行生物學的研究。而隨著科技的發展，深度學習成為圖像處理領域的最佳利器，故而許多研究人員開發出了算法，以用于處理活細胞等微生物熒光圖像：

如當科學家希望利用深度學習來分析基因組中的基因突變，他們先將DNA鏈中的堿基轉換為計算機可以識別的圖像，然后將已知的DNA突變片段信息與基因組信息一起用于訓練神經網絡系統，隨后用機器學習進行預測和數據分析。

但是谷歌研究團隊發現，這一過程本身存在著一項技術缺陷：因為現有算法模型處理2D圖像，所以在利用其對生物圖像進行處理之前，每一次都首先需要對3D圖像進行處理，以將其轉換為現有圖像處理算法能夠處理的照片。

可見，想將深度學習用于生物學研究領域，“磨刀”的功夫就需要花費很久，將每一項研究的3D圖像轉化為2D圖像極大得降低了研究效率、限制了圖像處理算法在生物醫學研究上的應用。

谷歌團隊讓生物學圖像處理更輕松，研究成果不斷

為了解決圖像維度轉換過程帶來的應用局限性，谷歌研究團隊基于卷積神經網絡提出了一種條件生成模型，他們可以直接利用3D顯微鏡圖像對模型算法進行訓練，以用于學習細胞和細胞核形態的變化，并利用訓練后的模型分析預測亞細胞結構的位置。

上個月，谷歌就基于該模型發布了一款名為DeepVariant的工具，人們可以用它來識別DNA序列中的細微變化。

但不止于此，谷歌研究團隊還整合了條件生成模型和傳統的算法處理方法，提出了一種不需要參數的3D細胞結構模型的算法，它可以直接處理高精度的三維生物器官圖像。

此外，這種新算法還可以將細胞內部結構的變化和細胞的變化結合在一起，以用于研究相關疾病的變化。在最新的報告中，研究團隊給出了初步的實驗結果，即其在心臟病預測上的應用。

圖像處理算法因此更強大

對于該算法，谷歌研究院工程總監Philip Nelson介紹說：“之前，將機器學習應用于很多生物學領域是不切實際的?，F在，我們可以做到了。但更讓人激動的是，如今機器能發現之前人類可能無法看到的東西。”

值得指出的是，谷歌開發的這種方法本質上就是一種通用的圖像處理算法，不僅可以用于通常的圖像識別，還可以用于生物學領域高精度三維圖像的分析和相關細胞變化的預測。

最后，記得關注微信公眾號：鎂客網（im2maker），更多干貨在等你！