Deep Genomics：一家将深度学习带到基因组学的创业公司已融资1670万

　　Deep Genomics成立的起因还要追溯到2002年，当时Brendan Frey的妻子怀孕，在做检查时却被医生告知还未出生的孩子可能带有遗传缺陷，尽管只是“可能”，但这对夫妻也不得不终止妊娠。

　　从那时起，Frey科研工作的目标就转移到使用深度学习来理解基因工作原理。于是这位大学电气和计算机工程教授、深度学习领域的，开始关注基因组和医学的研究，试图将其与深度学习结合起来，设计出一种帮助机器学习和解释遗传密码的方法。

　　该团队在自然、科学、细胞和自然生物技术领域发表了十多篇论文，获得了众多的科学和创新，并积累了超过50年的经验，建立了精确结合了基因组生物学的人工智能系统。

　　这个由机器学习专家、基因组学专家和医疗专家组成的团队有着强大的技术支撑，公司在建立伊始就被《科学美国人》、《邮报》等知名报道，比作“将深度学习的能量带到基因组学的创业公司”。

　　目前，这家公司已经与医院、生物科技创业公司以及制药公司展开合作，使用基因疾病患者的基因数据测试公司系统。

　　要推进基因组学，就需要了解基因表达是如何被基因变体所改变。尤其是那些在蛋白质编码区之外的基因，DNA剪接是其表达的关键步骤，它的会导致某些疾病产生，如癌症和神经系统疾病。

　　Frey领导的研究小组开发的第一个深度学习方法，是用于确定疾病的遗传决定因素。他解决的痛点是，人群中的DNA突变（SNVs）数以亿计，其中突变频率大于1%的SNVs也有300万个左右，要挨个调查SNVs与各种疾病的关联难如登天。

　　在前面所述建立数学模型这一思下，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（基因组突变）对RNA剪切的影响，并计算出该变异与疾病之间的关系。

　　使用“深度学习”算法来推导出一种计算模型，该模型以正常DNA序列作为输入，通过将健康人体组织中具有剪接水平的DNA与DNA片段相关联，来推断剪接的计算模型。

　　假设有一个测试变量，它可能有多达300个核苷酸进入一个内含子，该模型可以用来计算变量的剪接有多少。

　　由广泛的疾病和技术引起的遗传变异，可以通过该计算模型被检测和过滤，从而对疾病的遗传进行探索。该模型预测了由于内含子和外显子的变异而导致的大量异常剪接，为理解疾病的遗传决定因素提供了新机会。

　　SPIDEX可以将无害的突变与有害的突变区分开来，并帮助科研人员理解它们与其他基因过程的关系。

　　2016年，Deep Genomics为弄明白突变会如何改变细胞，进而给人体造成的影响，用SPIDEX预测了3.28亿个SNVs。不过，预测只是做了初步筛选，而有害突变与疾病的对应关系还尚未建立。

　　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就显而易见：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。

　　然而，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。

　　2017年9月，Deep Genomics宣布开始进入药物研发领域。使用深度学习和超大神经网络来分析基因组数据，通过鉴定一个或多个负责疾病的基因帮助研究人员开发出一种药物来处理缺陷基因的行为。

　　Deep Genomics认为，他们的技术可以通过在大量的基因组数据中寻找微妙的信号，从而帮助药企生产强大的新药。

　　在未来的2年里，深度基因组学将利用其平台开发新的抗感寡核苷酸疗法并进行临床评估。如今，深度基因组学正在建立一个生物学上精确的数据和人工驱动平台，支持遗传学家、生物学家和化学家的研究应用。

　　通过自主分析大量的药物靶点和小药物的结构特征，AtomNet可以学习小药物与靶点之间相互作用规律，并且根据学习到的规律预测小化合物的生物活性，从而加快药物研发进程。

　　这家公司的核心技术是运用计算机视觉技术来处理细胞图像，并且通过分析1000多种细胞特征来评估疾病细胞在给药后的效果。使用先进的成像技术和人工智能技术，这一平台可以进行高通量的细胞模型实验，在上百种疾病的细胞模型中进行上千种候选药物的检测。

　　为此，该公司收集了大量不同年龄的健康和患病人群的多类组学数据，并且利用机器学习对这些数据进行综合分析，从中找出与衰老和疾病有关的生物标记物，并且根据这些数据寻找上市药物的新功能，发现新的抗衰老药物。

　　该公司的另一项业务是与研究所和制药公司合作，利用自身对深度神经网络机器学习的专长，帮助它们进行药物研发、发现生物标记物和开发研究衰老的新工具。

　　虽然我们难以掌控这些数据，但机器学习可以帮我们解决这些问题。深度学习已经成功应用于那些人类天生擅长的领域，如图像识别、文本和语言理解。

　　然而人类的大脑并不是天生为理解基因组而设计的。这种差距的存在，决定了处理基因问题必须使用”超人类智能，因此，在基因药物领域，深度学习理论的应用正在起飞：它能够对诊断，护理，制药以及保险领域产生冲击性的影响。

　　编辑王晓行微信wxh-666-666添加时请注明：姓名-公司-职位后台发送即可获得相关好文网站、号等转载请联系授权

　　★ 2018年J.P摩根大会透露的12个大趋势：资金回流药物研发、企业追求智慧型增长

　　★ 2018年J.P摩根大会透露的12个大趋势：资金回流药物研发、企业追求智慧型增长

　　★ 2018年J.P摩根大会，强生、美敦力、雅培、礼来、辉瑞、Illumina的干货分享

　　★ 2017年医疗投入超5亿美金！盖茨在2018年J.P摩根大会上再次揭秘基金会投资逻辑

　　★ 冤家不窄，Illumina 与赛默飞世尔为何签署合作？市场才是目的