各國政府為了抗擊新冠疫情采取了各種措施，而全球疫情形勢依然嚴峻，人們對于有效疫苗的盼望前所未有的迫切。

[[323604]]

美國開展了一項基于RNA結合蛋白的疫苗試驗，向志愿者注射類似的冠狀病毒，但并非那種致命病毒。盡管研究人員已經迅速開展了人體試驗，減少動物試驗，但距離新冠疫苗被批準通過至少還需要18個月。

[[323605]]

現在的問題是，可以加快疫苗的生產過程嗎?如何加快呢?答案在于技術領域，而不是醫學領域。

深度學習是一種基于人工智能的方法，該方法可以使用反向傳播算法，讓人工智能機器更改其內部指標，從而更改前一層中每一新數據表示層的計算方式。

深度學習推動了語音識別、圖像檢測、面部識別甚至藥物研發等創新技術的發展。在加快COVID-19有效疫苗的研發進程方面，深度學習依然扮演者重要角色。

什么是深度學習?

之前已經討論了深度學習與算法學習的反向傳播方法之間的關系。現在將深度學習與機器學習進行比較。

機器學習有三種主要的學習方法：

• 監督學習
• 無監督學習
• 強化學習

但是，所有這些學習方法都依賴于結構化數據;而深度學習則使用ANN(人工神經網絡)層。簡言之，機器學習使用賦予對象的特定標簽進行分類，而深度學習將使用網絡層定義對象特征的層次結構來進行分類。

什么是視黃醇結合蛋白?

RBP或視黃醇結合蛋白可用作病毒和目標疾病細菌的替代物，從而激發人類抗體防御疾病。為了紀念有效的基因組研究和疫苗建構，RBP位點預計將針對RBP攻擊，就像對待非洲Vivax瘧原蟲那樣。

RBP靶位點基于核糖核酸相互作用進行預測，并且已經對RBP靶位點進行了全面的研究，并建立了許多現有模型。最受歡迎的方法有兩種。

[[323606]]

圖源：unsplash

特征級融合方法：

核糖核酸的相互作用位點的預測因子是通過序列信息開發的。眾所周知，如今有關人類基因組和疾病研究的一切都需要核糖核酸測序。就像在應用開發結構中使用的編碼語言一樣。

這些測序數據是從細胞活動、基因組序列變化等不同來源收集到的。將這些數據和特征融合為單個高維的特征即可用于預測RBP。但是，它在尺寸上存在缺陷，需要更多時間。

決策級融合：

這種方法提出了五種不同的學習模型。這些模型適用于核糖核酸相互作用的不同方面，如基因組序列、二級序列、基因組本體信息以及核糖核酸相互作用的區域類型等。這些模型的結果最終融合在一起，從而預測核糖核酸相互作用位點。

使用新的深度學習方法進行RBP位點預測

發現RNA相互作用位點或RBP位點對基于基因組的研究至關重要，尤其是在藥物發現領域。

現在，研究人員正在探索一種名為iDeep的深度學習方法，用于預測RBP位點，助力新型冠狀病毒疫苗的研發。

研究人員普遍使用的兩種預測模型存在一個共同的缺點。它們都使用觀察數據中提取的特征，而這些特征可能會出錯。而深度學習提供了一種獨特的方法，可用于混合多個抽象層。這些抽象層通過高級抽象空間放大數據。基于深度學習模型的獨特之處在于集成了異構數據并從原始輸入中學習了復雜的模式。

用于冠狀疫苗研究的RBP位點預測的深度學習框架

DBN(深度置信網絡)：

這是一種深度學習算法，可優化大量數據中高級功能的學習。Deep-net rbp是另一種算法，它與深度置信網絡一同預測視黃醇結合蛋白交互位點。

CNN(卷積神經網絡)：

這是另一種深度學習模型，與傳統的統計學習模型不同。它僅用一步就結合了特征提取和模式或特征的學習，而不用兩步。這減少了提取特征與模型學習特征之間不匹配的可能性。

CNN模型用于根據模型在輸入數據上使用的過濾器來識別模式，從而識別核糖核酸基序。核糖核酸基序是一種用于構建核糖核酸結構的特殊核糖核酸序列。

iDeep框架：

iDeep是一種通過結合多個卷積神經網絡和深度置信網絡模型而創建的多模型框架。該混合網絡將卷積神經網絡模型用于順序數據，將深度置信網絡模型用于二進制或數字數據。結合使用混合框架的不同深度神經網絡將使用原始輸入數據進行訓練。

此外，從不同的抽象層調整對這些模型的訓練結果，并使用反向傳播方法將抽象層從每個模型共享的頂部公共層調整到底部的單個抽象層。

接下來，提取整個模型中潛在的特征，這些特征將進一步用于深度學習算法的學習，從而預測用于靶向核糖核酸相互作用的RBP位點。

如何幫助研究人員更快地研發疫苗?

• 冠狀疫苗的研發現已進入人體試驗階段，需要確定RBP位點有效靶向mRNA，從而獲得更好的結果。
• iDeep探索了多層混合框架，該框架允許逐層學習模型。
• 通過這種方法，研究人員可以通過連續的特征層學習來提高核糖核酸相互作用位點檢測的準確度。
• iDeep模型有助于創建層輸出充當后續層輸入的過程。
• iDeep模型集成了卷積神經網絡和深度置信網絡，兩者都有助于實現該過程。卷積神經網絡有助于學習和捕獲核糖核酸測序的調控基序。
• 深度置信網絡可以從原始輸入數據中捕獲和提取高端功能。
• 因此，通過利用不同來源的核糖核酸-蛋白質結合可提高分類能力。
• 共享的抽象層與最底層的單獨層融合讓iDeep框架的功能處理變得非常容易。
• 與現有框架相比，iDeep可以輕松加快核糖核酸相互作用位點的預測速度，提供準確無誤的結果。

[[323607]]

圖源：unsplash

不可否認，AI已經成為人類反擊疫情最重要的工具之一。如果研究人員可以利用深度學習方法加快冠狀疫苗的研發，將可以挽救許多生命，世界也將早日重回正軌。這值得我們期待!

本文轉載自公眾號“讀芯術”(ID：AI_Discovery)