谷歌推出開源工具DeepVariant，用深度神經(jīng)網(wǎng)絡(luò)識(shí)別基因變異

Google今天推出了一個(gè)名叫DeepVariant的開源工具，用深度神經(jīng)網(wǎng)絡(luò)來從DNA測序數(shù)據(jù)中快速精確識(shí)別堿基變異位點(diǎn)。

學(xué)科研究的革命性進(jìn)展，特別是基因?qū)W上，需要依賴于新技術(shù)的出現(xiàn)。比如桑格發(fā)明了測序法之后，才實(shí)現(xiàn)了人類基因組的測序。

再比如DNA（微陣列）芯片技術(shù)的誕生，使得大規(guī)模的基因測序成為可能。這些技術(shù)讓我們能夠獲得大量遺傳信息，可以更廣泛地應(yīng)用于健康、農(nóng)業(yè)和生態(tài)上。

基因測序領(lǐng)域里，最革命性的技術(shù)當(dāng)屬2000年初首次商用的高通量測序（縮寫為HTS）了。HTS可以大規(guī)模、低成本、快速地獲得任何生物的基因序列。

不過，HTS有個(gè)致命的問題在于，測序出來的結(jié)果不是完整的，而是碎片化的片段信息。

比如測的是人的基因序列的話（也就是說，信息量級(jí)為23對(duì)染色體上的30億對(duì)堿基排序），那么得到的測序結(jié)果是不到10億個(gè)短序列片段，一般每個(gè)短序列片段我們稱為讀取單位（reads）。

每個(gè)讀取單位含有100個(gè)堿基對(duì)（不同讀取單位的信息需要重疊，才能最后拼全），而每個(gè)堿基的錯(cuò)誤率范圍是0.1%到10%。所以，一直以來，對(duì)于HTS來說，最大的挑戰(zhàn)是把碎片化的結(jié)果信息拼成一整段完整的序列信息。

瓶中基因組聯(lián)盟Genome in a Bottle Consortium（GIAB），和精準(zhǔn)FDA平臺(tái)（美國藥監(jiān)局做的基因組信息學(xué)社區(qū)和共享數(shù)據(jù)平臺(tái)）一樣，致力于提高基于HTS基因測序結(jié)果。他們能提供高精度的人體基準(zhǔn)基因組序列信息。

把測序結(jié)果與基準(zhǔn)基因序列一比對(duì)，就可以得到很多個(gè)堿基變異位點(diǎn)（就是上圖打星的地方），這些位點(diǎn)，可能是SNP單核苷酸多態(tài)性導(dǎo)致的，也可能是測序過程中復(fù)制出錯(cuò)造成的。

今天，Google Brain團(tuán)隊(duì)，聯(lián)合同屬于Alphabet旗下的生命科學(xué)兄弟公司Verily，用了兩年多時(shí)間，研發(fā)出了一個(gè)名叫DeepVariant的開源工具，專門用深度神經(jīng)網(wǎng)絡(luò)來識(shí)別HTS結(jié)果中DNA測序數(shù)據(jù)里這些堿基變異位點(diǎn)。這個(gè)工具在準(zhǔn)確率上和精確度上，比傳統(tǒng)的比對(duì)拼接方法都高出一大截。

DeepVariant，把工作量巨大的拼接問題（HTS碎片化的結(jié)果拼接成完整的基因序列），轉(zhuǎn)變成了一個(gè)典型的圖像分類問題。而圖像分類正是谷歌擅長的技術(shù)。

2016年，DeepVarient還在PrecisionFDA Truth Challenge中贏得了最高SNP性能獎(jiǎng)（Highest SNP Performance）。在那之后，Google Brain團(tuán)隊(duì)又將錯(cuò)誤率降低了50%。

下面的四幅圖，分別代表實(shí)際測序的片段和基準(zhǔn)序列的比對(duì)結(jié)果。

△A:單核苷酸多態(tài)性造成的堿基變異位點(diǎn)；

B:一條染色體上少了一個(gè)堿基；

C:兩條染色體上都少了一個(gè)堿基；

D:復(fù)制錯(cuò)了的堿基變異位點(diǎn)。

在比對(duì)過程中，要回答的一個(gè)關(guān)鍵的問題是，怎么判斷比對(duì)后得到的堿基變異位點(diǎn)，是存在于兩條染色體中，還是只在一條里，還是都沒有。造成堿基變異位點(diǎn)的原因不只一種，最常見的三種可能是單核苷酸多態(tài)性，或多插了一個(gè)堿基，或少復(fù)制了一個(gè)堿基。

這些變異位點(diǎn)如果用視覺識(shí)別的算法就能快速找出來。大大提高HTS后的比對(duì)拼接的效率。

因?yàn)槠恐谢蚪M聯(lián)盟Genome in a Bottle Consortium（GIAB）提供的人體基準(zhǔn)基因組序列信息是高精度可信的，或者更嚴(yán)謹(jǐn)?shù)卣f，是最接近真實(shí)序列的信息。

通過這個(gè)基準(zhǔn)序列得到的復(fù)制數(shù)據(jù)，谷歌團(tuán)隊(duì)可以拿它們來訓(xùn)練基于Tensor Flow的圖像分類模型，所得到的DeepVariant，最后可以區(qū)別真實(shí)序列數(shù)據(jù)和復(fù)制數(shù)據(jù)。

盡管DeepVariant根本不懂什么是基因組序列，也不懂HTS，但是只用了一年，就已經(jīng)贏得了PrecisionFDA Truth Challenge中的最高SNP性能獎(jiǎng)（Highest SNP Performance）。而且到目前為止，把已有最優(yōu)異的方法拼接錯(cuò)誤率降低了50%多。

在發(fā)布開源代碼的同時(shí)，Google Brain還發(fā)布Google Cloud上的DeepVarient工作流，方便開發(fā)者用它來處理大型數(shù)據(jù)集。

最后，附上相關(guān)鏈接：

Google Research Blog介紹：https://research.googleblog.com/2017/12/deepvariant-highly-accurate-genomes.html

開源代碼：https://github.com/google/deepvariant

Google Cloud版：https://cloud.google.com/genomics/deepvariant