如何加快疫苗生产？答案在技术领域而非医学领域

全文共 2270 字，预计学习时长 8 分钟

图源：unsplash

各国政府为了抗击新冠疫情采取了各种措施，而全球疫情形势依然严峻，人们对于有效疫苗的盼望前所未有的迫切。

美国开展了一项基于RNA结合蛋白的疫苗试验 ，向志愿者注射类似的冠状病毒，但并非那种致命病毒。尽管研究人员已经迅速开展了人体试验，减少动物试验，但距离新冠疫苗被批准通过至少还需要18个月。

现在的问题是，可以加快疫苗的生产过程吗？如何加快呢？答案在于技术领域，而不是医学领域。

深度学习是一种基于人工智能的方法，该方法可以使用反向传播算法，让人工智能机器更改其内部指标，从而更改前一层中每一新数据表示层的计算方式。

深度学习推动了语音识别、图像检测、面部识别甚至药物研发等创新技术的发展。在加快COVID-19有效疫苗的研发进程方面，深度学习依然扮演者重要角色。

什么是深度学习？

之前已经讨论了深度学习与算法学习的反向传播方法之间的关系。现在将深度学习与机器学习进行比较。

机器学习有三种主要的学习方法：

·        监督学习

·        无监督学习

·        强化学习

但是，所有这些学习方法都 依赖于结构化数据 ；而深度学习则使用ANN（人工神经网络）层。简言之，机器学习使用赋予对象的特定标签进行分类，而深度学习将使用网络层定义对象特征的层次结构来进行分类。

什么是视黄醇结合蛋白？

RBP或视黄醇结合蛋白可用作病毒和目标疾病细菌的替代物，从而激发人类抗体防御疾病。为了纪念有效的基因组研究和疫苗建构，RBP位点预计将针对RBP攻击，就像对待 非洲Vivax疟原虫 那样。

RBP靶位点基于核糖核酸相互作用进行预测，并且已经对RBP靶位点进行了全面的研究，并建立了许多现有模型。最受欢迎的方法有两种。

图源：unsplash

特征级融合方法：

核糖核酸的相互作用位点的预测因子是通过序列信息开发的。众所周知，如今有关人类基因组和疾病研究的一切都需要核糖核酸测序。就像在 应用开发 结构中使用的编码语言一样。

这些测序数据是从细胞活动、基因组序列变化等不同来源收集到的。将这些数据和特征融合为单个高维的特征即可用于预测RBP。但是，它在尺寸上存在缺陷，需要更多时间。

决策级融合：

这种方法提出了五种不同的学习模型。这些模型适用于核糖核酸相互作用的不同方面，如基因组序列、二级序列、基因组本体信息以及核糖核酸相互作用的区域类型等。这些模型的结果最终融合在一起，从而预测核糖核酸相互作用位点。

使用新的深度学习方法进行RBP位点预测

发现RNA相互作用位点或RBP位点对基于基因组的研究至关重要，尤其是在药物发现领域。

现在，研究人员正在探索一种名为 iDeep 的深度学习方法，用于预测RBP位点，助力新型冠状病毒疫苗的研发。

图源：unsplash

研究人员普遍使用的两种预测模型存在一个共同的缺点。它们都使用观察数据中提取的特征，而这些特征可能会出错。而深度学习提供了一种独特的方法，可用于混合多个抽象层。这些抽象层通过高级抽象空间放大数据。基于深度学习模型的独特之处在于集成了异构数据并从原始输入中学习了复杂的模式。

用于冠状疫苗研究的RBP位点预测的深度学习框架

DBN（深度置信网络）：

这是一种深度学习算法，可优化大量数据中高级功能的学习。 Deep-net rbp 是另一种算法，它与深度置信网络一同预测视黄醇结合蛋白交互位点。

CNN（卷积神经网络）：

这是另一种深度学习模型，与传统的统计学习模型不同。它仅用一步就结合了特征提取和模式或特征的学习，而不用两步。这减少了提取特征与模型学习特征之间不匹配的可能性。

CNN模型用于根据模型在输入数据上使用的过滤器来识别模式，从而识别核糖核酸基序。核糖核酸基序是一种用于构建核糖核酸结构的特殊核糖核酸序列。

i Deep框架：

iDeep是一种通过结合多个卷积神经网络和深度置信网络模型而创建的多模型框架。该混合网络将卷积神经网络模型用于顺序数据，将深度置信网络模型用于二进制或数字数据。结合使用混合框架的不同深度神经网络将使用原始输入数据进行训练。

此外，从不同的抽象层调整对这些模型的训练结果，并使用反向传播方法将抽象层从每个模型共享的顶部公共层调整到底部的单个抽象层。

接下来，提取整个模型中潜在的特征，这些特征将进一步用于深度学习算法的学习，从而预测用于靶向核糖核酸相互作用的RBP位点。

图源：unsplash

如何帮助研究人员更快地研发疫苗？

·        冠状疫苗的研发现已进入人体试验阶段，需要确定RBP位点有效靶向mRNA，从而获得更好的结果。

·        iDeep探索了多层混合框架，该框架允许逐层学习模型。

·        通过这种方法，研究人员可以通过连续的特征层学习来提高核糖核酸相互作用位点检测的准确度。

·        iDeep模型有助于创建层输出充当后续层输入的过程。

·        iDeep模型集成了卷积神经网络和深度置信网络，两者都有助于实现该过程。卷积神经网络有助于学习和捕获核糖核酸测序的调控基序。

·        深度置信网络可以从原始输入数据中捕获和提取高端功能。

·        因此，通过利用不同来源的核糖核酸-蛋白质结合可提高分类能力。

·        共享的抽象层与最底层的单独层融合让iDeep框架的功能处理变得非常容易。

·        与现有框架相比，iDeep可以轻松加快核糖核酸相互作用位点的预测速度，提供准确无误的结果。

图源：unsplash

不可否认，AI已经成为人类反击疫情最重要的 工具 之一。如果研究人员可以利用深度学习方法加快冠状疫苗的研发，将可以挽救许多生命，世界也将早日重回正轨。这值得我们期待！

推荐阅读专题

留言点赞发个朋友圈

我们一起分享AI学习与发展的干货

编译组：李林虹、周果

相关链接：

https://hackernoon.com/how-predictive-rbps-with-dl-can-help-get-a-vaccine-for-corona-faster-s74932xg

如转载，请后台留言，遵守转载规范

推荐文章阅读