深度学习科技将打开表观基因组

新的深度学习的方法、DeepCpG EMBL-EBI研究员设计的Babraham研究所和桑格研究所帮助科学家更好地理解基因组表观基因组——生化活动。发表在《基因组生物学,DeepCpG利用“深层神经网络”,灵感来自大脑的多层次的机器学习模型。机器学习为健康和疾病的研究提供了一个有价值的工具。

深入学习是机器学习中最活跃的领域之一,导致最近的进步计算机图像分类、文本翻译和语音识别。但深度学习也有重大潜在的计算生物学,特别是监管基因组学和细胞成像。

不错的书。但这意味着什么呢?

“我们现在有这个神奇的“书”的人类基因组,由于项目1000基因组,分割成章节和注释部分。但这意味着什么呢?如果我们想要真正理解生命是如何工作的,我们需要破译基因组——每个细胞的重复的指令集和表观基因组,细胞间变化很大的一部分,”奥利弗Stegle EMBL-EBI组长。

更好地理解DNA序列与生理变化,基因组学社区转向人工神经网络——一种机器学习方法在1980年代首次引入和灵感来自大脑的连接。最近,这些模型已经改名为“神经网络”,形成“深度学习”的领域。

最近复习的深度学习分子系统生物学提供了一个“用户指南”如何应用基因组学-深度学习的快速的技术变革。

“单细胞基因组学使我们产生大量的高度详细的基因组信息和周围发生的所有活动,在许多不同的细胞类型和子类型。复杂性是十分惊人的,和明确的概念探索每一个潜在的相互作用分别是不可行,“Stegle说。

“大多数现有的方法需要你预先知道很多,例如DNA序列模式的信息为一个特定的任务。然而,有大量的基因组中可能的模式,我们可以探索,所以这些现有方法并不实用,基因组学,“在EMBL-EBI Christof Angermueller补充道,博士生。“深度学习,你不需要花时间在手工制作功能,捕获这些模式。相反,该模型使用原始的DNA序列作为输入,并发现相关模式本身。”

加速单细胞基因组学

团队利用深度学习的能力来填补空白在单细胞基因组学,一个新兴的技术,提供了对表观遗传学的特写镜头。

DeepCpG旨在帮助科学家了解DNA序列之间的连接和DNA甲基化-生化改变的基因组序列,可以像一个单个基因的开关。甲基化起着关键部分的重要的生物过程,包括细胞的发育、衰老和癌症进展。

新方法使用基因组和外遗传性数据进行预测单个细胞的DNA甲基化。这是很重要的,因为现有技术提供不完整的信息。在DeepCpG,科学家可以获得DNA甲基化的一个更完整的画卷。模型还可以用来获取新的生物见解,例如DNA序列之间的连接和甲基化。

“DeepCpG实际上学习有意义的特性数据驱动的方式,“Angermueller说。“它主要优势之前方法,包括能够更准确地预测DNA甲基化和研究细胞间的差异。通过研究学习网络的连接,我们可以理解DNA甲基化的生物学是如何工作的。这使我们恢复已知DNA序列图案是重要的甲基化变化,以及发现新的图案,这是未来研究的起点”。

“我们已经表明,DeepCpG能够准确预测和分析单个细胞中DNA甲基化。然而,DeepCpG只是举了一个例子,如何深度学习适用于基因组学和单细胞技术,“Stegle说。“这是令人兴奋的看到多才多艺的应用深度学习在基因组学已经发现。我期待着看到更多深度学习技术上线。我相信它会产生很大的影响我们如何研究生物学和有可能产生新的答案如何生活。”

“单一细胞表观基因组学方法提供激动人心的洞察细胞异质性在开发中,衰老和疾病;但是如果你只是处理两个基因组(在一个细胞)的信息往往是失去了在实验中,“解释狼Reik Babraham研究所的狼Reik Babraham研究所、副桑格研究所的教员。“这新方法识别模式在单个细胞的表观基因组,然后重建失去信息,返回一个数据丰富的单个细胞表观基因组。”

“深度学习在许多领域是目前先进的。我们正在探索它的效用进行大规模生物数据。开创性的研究,如Angermueller和一位同事,证明有很多获得通过使用深度学习方法在计算生物学,”利奥波德地区,组长桑格研究所。