当AI遇到生物-深度学习在生物研究中的应用案例列表(2)
1)和病人相关的一个重要应用场景是隐私保护,如何保证患者的生理数据能够有效的匿名化,是一个很重要的问题。通过使用对抗神经网络,SPRINT这个工具可以生成和真实的患者数据类似的数据,但这些生成的数据无法对应到具体的患者,这样增加了对患者隐私的保护,可以增加患者共享自己数据的意愿,具体参考https://github.com/greenelab/SPRINT_gan 。
2)预测衰老标记,人的年龄不止是身份证上写的那个,更关键的是你的身体是否还像年轻人那样,Young AI是一个集合了21个深度学习模型的集成模型,只需要通过你体检得出的19项生理指标,这个模型就可以预测你的实际年龄,平均误差只有5.9年,这项工具将可以用于自我评估自己的衰老状况。http://www.aging.ai
3)Deep Heart通过可穿戴设备检测的心跳数据提前预测中风的发作,从而为用户赢得抢救所需的时间,准确度高达97%。原理是因为心脏及各种动脉,静脉,胃,食管都连在植物性神经系统上,而心率变异率的变化与这些器官的状态有关,Deep heart 就可以通过加速度计和心率变异率的检测,来判断某个人是否有高血压或呼吸异常。
4)生物实验中,每一个批次的实验,甚至是不同的实验操作者,都会引起系统性的误差,这被称为Batch Effect 批次效应。https://academic.oup.com/bioinformatics/article-abstract/33/16/2539/3611270 中提出了使用深度学习而不是传统的统计学来消除单细胞测序中的批次差异的工具,如果一个实验完成了两次,那这两次之中的差异就是批次差异,如果能通过训练神经网络,使其可以重复出两次实验之间的差异,那么就可以通过去除上述的差异来去除批次效应。
参考资料
https://github.com/hussius/deeplearning-biology
更多阅读