基因君官网最近基因产业有点儿火。上月17日，华大基因宣布组建以人工智能为核心的新业务机构，引起业界一片猜测；接着7月29日央视全面聚焦精准医疗，大篇幅介绍了基因检测，一下子连街头的大爷大妈们都唠起了基因。然而就在这期间，加拿大一家叫Deep Genomics的公司悄然成立了，并迅速占领了国外各大媒体的头条（国内却鲜有报道）。
那么这家公司究竟在做什么？又有哪些过人之处？让我们先看看国外的媒体评价。加拿大的《环球邮报》表示“这家多伦多创业公司意图撼动基因测序市场”；而美国《华盛顿邮报》则评价说“Deep Genomics，一家将深度学习的能量带到基因组学的创业公司”；Gizmag称“Deep Genomics意欲借助深度学习改革基因医疗”；《连线》之前的报道称“机器智能破译遗传控制”；《科学美国人》说得很玄乎，“我们DNA的某些角落暗藏疾病线索–深度学习之光照亮基因突变鲜为人知的角落”。
总结下来，Deep Genomics就是人工智能和基因组学联姻的产物，即“Deep Learning + Genomics”。在用深度学习研究基因组学的时代，Deep Genomics推开了第一扇窗。
也许你心中有个大大的疑问，基因检测都做了这么长时间了，很多疾病都可以检测了，基因组学为什么需要深度学习技术？这里举个例子，某市突然停电了，为了搞清楚为什么停电，有两种办法：第一种是把所有电线全都排查一遍，然后找到损坏的地点；第二是选那些平时就很容易损坏的地点去排查。如果我们对100个不同城市的断电原因做统计分析，不难发现有些原因出现的频率高，有些原因出现的频率低。
我们人体也一样，人群中的DNA突变（SNVs）总数大概数以亿计，其中突变频率大于1%的叫做SNPs，SNPs大概有300万个。要研究疾病与SNPs之间的关系，需要巨大的患者样本量，统计出患者群体与正常人群体SNPs之间的差异。对于突变频率小于1%的SNVs，虽然群体数量庞大，但是单个并没有统计学意义，所以在疾病的分析中被自动屏蔽掉了。从数量上我们不难看出，基因检测如果缺少对突变频率小于1%的SNVs的深入分析，精准医疗只能被限制在狭小的范围之内。
目前我国卫计委批准用于临床检测的项目包括：遗传病诊断、产前筛查与诊断、植入前胚胎遗传学诊断和肿瘤诊断与治疗。这四类项目它们的共同特点是：疾病仅与一个或者几个易感基因相关。实际上，除了单基因遗传病之外，其他疾病的易感基因多少，取决于对该疾病的研究程度。比如，目前对乳腺癌的基因检测主要集中在BRCA1和BRCA2基因，目前在这两个基因里已经发现了大量的变异，可是我们却对这些变异对乳腺癌的影响缺乏深入的认识。更何况随着对乳腺癌样本研究的深入，已经发现了40个跟乳腺癌相关的基因（当然，每个基因里都可能有多个SNVs）。因此，仅从基因检测的角度来讲，想要达到精准医疗，还为时尚早。
Deep Genomics的创始人，加拿大多伦多大学的Frey教授很早就专注于该领域的研究。他们的学术团队先后在国际顶尖期刊《Science》、《Nature Biotechnology》和《Bioinformatics》刊登了该领域的研究成果，希望利用深度机器学习技术改造精准医疗，基因检测、诊断和治疗的发展。
接下来就讲讲Deep Genomics是如何分析突变频率小于1%的SNVs与疾病之间的关系。当然，要说清楚Deep Genomics的解决办法，我们还需要继续科普。对于没有生物背景、且刚刚了解一点基因知识的同学来说，一谈起疾病就会想到基因，但实际上从基因到疾病还有好几步。锅没有做好，有可能是设计图纸出了问题，也可能是模具出了问题。
假设我们要做一个机器人，我们要先绘制图纸和材料切割图（DNA），然后根据图纸和材料切割图制作模具（RNA），再根据模具制作各种原件（蛋白质），最终这些元件组成有功能的机器人。我们的生命活动也是这样一级级实现的，生命信息从承载基因的DNA，传递到RNA，再传递到有生物活性的蛋白质，最终由蛋白质实现所有生命活动。
在制作机器人的过程中，错误可能出现在图纸（基因）上，也可能出现在材料切割图上。两种错误都可能导致机器人功能异常。现在的基因检测，分析了基因中出现频率高的变异对疾病的影响，而严重忽视了基因剪切变异对疾病的影响。原因无外乎控制基因剪切变异的出现频率低，没有统计学意义。但是它们的数量却是巨大的–数以亿计。Deep Genomics目前提供3.28亿个SNVs如何影响RNA（制作模具的材料）剪切的预测。那Deep Genomics是如何做到的呢？
根据目前基因检测的思路，是很难对这些SNVs进行分析的。因此，Deep Genomics引入了深入学习的人工智能技术。首先Frey团队建立了一个数学模型，然后输入健康人的全基因组序列和RNA序列，对模型进行训练，使模型学到健康人的RNA剪切模式；接下来，通过其他分子生物学方法对训练后的模型进行确认和校正；最后使用几个目前已知的病例数据，检验模型判断的准确性。在这一思路的指导下，Deep Genomics推出了他们的第一款产品SPIDEX。只需将测序结果和细胞类型导入，SPIDEX便可分析出某一变异对RNA剪切的影响，并计算出该变异与疾病之间的关系。
如果Deep Genomics的深度学习分析变得足够精确，那么这项技术的贡献显而易见：直接分析突变频率低的变异与疾病的关系；加速基因组学的研究和药物的开发。同时我们要清醒地认识到，目前Deep Genomics的SPIDEX技术只能分析SNVs引起的RNA剪切变异与疾病的关系，对于其他原因导致的疾病也无能为力。但即便如此，人工智能在基因分析中的应用仍然值得期待，也许它会成为解码基因与疾病奥秘的一把金钥匙。（基因宝jiyinbao.com）
延伸阅读：
1、The human splicing code reveals new insights into the genetic determinants of disease（Science）；
2、Predicting the sequence specificities of DNA- and RNA-binding proteins by deep learning（Nature Biotechnology）；
3、Deep learning of the tissue-regulated splicing code（Bioinformatics）
【相关会议推荐】
2015精准医疗研讨会：从大数据到精准医学 8.13-14 上海
