Google发布新开源工具，把AI用到了基因测序上

Google今天推出了一个名叫DeepVariant的开源工具，用深度神经网络来从DNA测序数据中快速精确识别碱基变异位点。

学科研究的革命性进展，特别是基因学上，需要依赖于新技术的出现。比如桑格发明了测序法之后，才实现了人类基因组的测序。

再比如DNA（微阵列）芯片技术的诞生，使得大规模的基因测序成为可能。这些技术让我们能够获得大量遗传信息，可以更广泛地应用于健康、农业和生态上。

基因测序领域里，最革命性的技术当属2000年初首次商用的高通量测序（缩写为HTS）了。HTS可以大规模、低成本、快速地获得任何生物的基因序列。

不过，HTS有个致命的问题在于，测序出来的结果不是完整的，而是碎片化的片段信息。

比如测的是人的基因序列的话（也就是说，信息量级为23对染色体上的30亿对碱基排序），那么得到的测序结果是不到10亿个短序列片段，一般每个短序列片段我们称为读取单位（reads）。

每个读取单位含有100个碱基对（不同读取单位的信息需要重叠，才能最后拼全），而每个碱基的错误率范围是0.1%到10%。所以，一直以来，对于HTS来说，最大的挑战是把碎片化的结果信息拼成一整段完整的序列信息。

瓶中基因组联盟Genome in a Bottle Consortium（GIAB），和精准FDA平台（美国药监局做的基因组信息学社区和共享数据平台）一样，致力于提高基于HTS基因测序结果。他们能提供高精度的人体基准基因组序列信息。

把测序结果与基准基因序列一比对，就可以得到很多个碱基变异位点（就是上图打星的地方），这些位点，可能是SNP单核苷酸多态性导致的，也可能是测序过程中复制出错造成的。

今天，Google Brain团队，联合同属于Alphabet旗下的生命科学兄弟公司Verily，用了两年多时间，研发出了一个名叫DeepVariant的开源工具，专门用深度神经网络来识别HTS结果中DNA测序数据里这些碱基变异位点。这个工具在准确率上和精确度上，比传统的比对拼接方法都高出一大截。

DeepVariant，把工作量巨大的拼接问题（HTS碎片化的结果拼接成完整的基因序列），转变成了一个典型的图像分类问题。而图像分类正是谷歌擅长的技术。

2016年，DeepVarient还在PrecisionFDA Truth Challenge中赢得了最高SNP性能奖（Highest SNP Performance）。在那之后，Google Brain团队又将错误率降低了50%。

下面的四幅图，分别代表实际测序的片段和基准序列的比对结果。

△ A:单核苷酸多态性造成的碱基变异位点；B:一条染色体上少了一个碱基；C:两条染色体上都少了一个碱基；D:复制错了的碱基变异位点。

在比对过程中，要回答的一个关键的问题是，怎么判断比对后得到的碱基变异位点，是存在于两条染色体中，还是只在一条里，还是都没有。造成碱基变异位点的原因不只一种，最常见的三种可能是单核苷酸多态性，或多插了一个碱基，或少复制了一个碱基。

这些变异位点如果用视觉识别的算法就能快速找出来。大大提高HTS后的比对拼接的效率。

因为瓶中基因组联盟Genome in a Bottle Consortium（GIAB）提供的人体基准基因组序列信息是高精度可信的，或者更严谨地说，是最接近真实序列的信息。

通过这个基准序列得到的复制数据，谷歌团队可以拿它们来训练基于Tensor Flow的图像分类模型，所得到的DeepVariant，最后可以区别真实序列数据和复制数据。

尽管DeepVariant根本不懂什么是基因组序列，也不懂HTS，但是只用了一年，就已经赢得了PrecisionFDA Truth Challenge中的最高SNP性能奖（Highest SNP Performance）。而且到目前为止，把已有最优异的方法拼接错误率降低了50%多。

在发布开源代码的同时，Google Brain还发布Google Cloud上的DeepVarient工作流，方便开发者用它来处理大型数据集。

最后，附上相关链接：

Google Research Blog介绍：

https://research.googleblog.com/2017/12/deepvariant-highly-accurate-genomes.html

开源代码：

https://github.com/google/deepvariant

Google Cloud版：

https://cloud.google.com/genomics/deepvariant

Root 李林 编译整理

量子位 出品 | 公众号 QbitAI