各國政府為了抗擊新冠疫情采取了各種措施，而全球疫情形勢依然嚴峻，人們對于有效疫苗的盼望前所未有的迫切。

[[323604]]

美國開展了一項基于RNA結合蛋白的疫苗試驗，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，減少動物試驗，但距離新冠疫苗被批準通過至少還需要18個月。

[[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?答案在于技術領域，而不是醫(yī)學領域。

深度學習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，讓人工智能機器更改其內(nèi)部指標，從而更改前一層中每一新數(shù)據(jù)表示層的計算方式。

深度學習推動了語音識別、圖像檢測、面部識別甚至藥物研發(fā)等創(chuàng)新技術的發(fā)展。在加快COVID-19有效疫苗的研發(fā)進程方面，深度學習依然扮演者重要角色。

什么是深度學習?

之前已經(jīng)討論了深度學習與算法學習的反向傳播方法之間的關系。現(xiàn)在將深度學習與機器學習進行比較。

機器學習有三種主要的學習方法：

• 監(jiān)督學習
• 無監(jiān)督學習
• 強化學習

但是，所有這些學習方法都依賴于結構化數(shù)據(jù);而深度學習則使用ANN(人工神經(jīng)網(wǎng)絡)層。簡言之，機器學習使用賦予對象的特定標簽進行分類，而深度學習將使用網(wǎng)絡層定義對象特征的層次結構來進行分類。

什么是視黃醇結合蛋白?

RBP或視黃醇結合蛋白可用作病毒和目標疾病細菌的替代物，從而激發(fā)人類抗體防御疾病。為了紀念有效的基因組研究和疫苗建構，RBP位點預計將針對RBP攻擊，就像對待非洲Vivax瘧原蟲那樣。

RBP靶位點基于核糖核酸相互作用進行預測，并且已經(jīng)對RBP靶位點進行了全面的研究，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

特征級融合方法：

核糖核酸的相互作用位點的預測因子是通過序列信息開發(fā)的。眾所周知，如今有關人類基因組和疾病研究的一切都需要核糖核酸測序。就像在應用開發(fā)結構中使用的編碼語言一樣。

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

決策級融合：

這種方法提出了五種不同的學習模型。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。這些模型的結果最終融合在一起，從而預測核糖核酸相互作用位點。

使用新的深度學習方法進行RBP位點預測

發(fā)現(xiàn)RNA相互作用位點或RBP位點對基于基因組的研究至關重要，尤其是在藥物發(fā)現(xiàn)領域。

現(xiàn)在，研究人員正在探索一種名為iDeep的深度學習方法，用于預測RBP位點，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測模型存在一個共同的缺點。它們都使用觀察數(shù)據(jù)中提取的特征，而這些特征可能會出錯。而深度學習提供了一種獨特的方法，可用于混合多個抽象層。這些抽象層通過高級抽象空間放大數(shù)據(jù)。基于深度學習模型的獨特之處在于集成了異構數(shù)據(jù)并從原始輸入中學習了復雜的模式。

用于冠狀疫苗研究的RBP位點預測的深度學習框架

DBN(深度置信網(wǎng)絡)：

這是一種深度學習算法，可優(yōu)化大量數(shù)據(jù)中高級功能的學習。Deep-net rbp是另一種算法，它與深度置信網(wǎng)絡一同預測視黃醇結合蛋白交互位點。

CNN(卷積神經(jīng)網(wǎng)絡)：

這是另一種深度學習模型，與傳統(tǒng)的統(tǒng)計學習模型不同。它僅用一步就結合了特征提取和模式或特征的學習，而不用兩步。這減少了提取特征與模型學習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別模式，從而識別核糖核酸基序。核糖核酸基序是一種用于構建核糖核酸結構的特殊核糖核酸序列。

iDeep框架：

iDeep是一種通過結合多個卷積神經(jīng)網(wǎng)絡和深度置信網(wǎng)絡模型而創(chuàng)建的多模型框架。該混合網(wǎng)絡將卷積神經(jīng)網(wǎng)絡模型用于順序數(shù)據(jù)，將深度置信網(wǎng)絡模型用于二進制或數(shù)字數(shù)據(jù)。結合使用混合框架的不同深度神經(jīng)網(wǎng)絡將使用原始輸入數(shù)據(jù)進行訓練。

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

接下來，提取整個模型中潛在的特征，這些特征將進一步用于深度學習算法的學習，從而預測用于靶向核糖核酸相互作用的RBP位點。

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)已進入人體試驗階段，需要確定RBP位點有效靶向mRNA，從而獲得更好的結果。
• iDeep探索了多層混合框架，該框架允許逐層學習模型。
• 通過這種方法，研究人員可以通過連續(xù)的特征層學習來提高核糖核酸相互作用位點檢測的準確度。
• iDeep模型有助于創(chuàng)建層輸出充當后續(xù)層輸入的過程。
• iDeep模型集成了卷積神經(jīng)網(wǎng)絡和深度置信網(wǎng)絡，兩者都有助于實現(xiàn)該過程。卷積神經(jīng)網(wǎng)絡有助于學習和捕獲核糖核酸測序的調(diào)控基序。
• 深度置信網(wǎng)絡可以從原始輸入數(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)結合可提高分類能力。
• 共享的抽象層與最底層的單獨層融合讓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的預測速度，提供準確無誤的結果。

[[323607]]

圖源：unsplash

不可否認，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習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“讀芯術”(ID：AI_Discovery)