人工智能技術(shù)在合成生物學研究領(lǐng)域的應用Vol.1

引言：人工智能正在“挑戰(zhàn)”人類智商

2017年5月27日的下午，在人類計算機史上發(fā)生了一件具有里程碑意義的事件，時年19歲的柯潔迎戰(zhàn)世界上最智能的機器人之一AlphaGo——一款由Google在2014年收購的英國公司DeepMind開發(fā)的人工智能應用，最終， AlphaGo取得了壓倒性的3連勝，而在此之前，柯潔已經(jīng)連續(xù)32個月在人類圍棋排行榜上排名世界第一。

其后僅僅過去了不到半年時間，AlphaGo團隊于2017年10月19日在Nature雜志上發(fā)表了一篇文章，介紹了升級版的AlphaGo Zero——這是一個沒有使用人類圍棋游戲數(shù)據(jù)進行訓練的版本，但卻比之前的任何版本都更強大。通過引入開創(chuàng)性的算法設(shè)計，AlphaGo Zero可以與自己較量，僅僅在40天的累積訓練強度下就超越了之前所有舊的版本。

圖片來自網(wǎng)絡(luò)（http://news.mydrivers.com/1/534/534106.htm）

除了在圍棋應用中，人工智能還在其他領(lǐng)域逐步有了應用場景的實現(xiàn)，如人臉與語音識別、文件翻譯、軍事模擬作戰(zhàn)、疾病影像學診斷、知識圖譜構(gòu)建、藥物設(shè)計等，而這些廣闊應用的背后，除了近些年來計算機運算力的巨大進步外，還得益于機器學習這一人工智能核心技術(shù)長時間的縱深積累與發(fā)展，尤其是深度學習算法的進步，使得人工智能領(lǐng)域獲得了突破性的成就，大大增強了機器的認知能力。

人工智能、機器學習、深度學習與神經(jīng)網(wǎng)絡(luò)

圖片來自網(wǎng)絡(luò)

廣義且簡單地說，人工智能（AI）就是讓計算機能夠與人類一樣進行感知、思考、決策和行動。機器學習(ML)是人工智能的一個子領(lǐng)域，其基于數(shù)學規(guī)則和統(tǒng)計假設(shè)，從而編程使得計算機能夠從輸入的數(shù)據(jù)中識別出特定的模式從而做出合理的預測。深度學習（DL）是機器學習的一個分支，也是所謂的“狹義人工智能”，即僅僅用于在特定的細分領(lǐng)域中做出決策、預測和分類的人工智能應用，其基礎(chǔ)是大量的相關(guān)數(shù)據(jù)、強大的算法、足夠細化的應用場景和明確的計算機化的目標定義，缺少任何一個都無法成功。

深度學習領(lǐng)域中使用最多的算法是神經(jīng)網(wǎng)絡(luò)（NN）算法，并且?guī)缀跻呀?jīng)成了深度學習和機器學習的代名詞。不同于規(guī)則式方法，人工神經(jīng)網(wǎng)絡(luò)同樣不會給人工智能系統(tǒng)設(shè)定決策規(guī)則，而是把某一類現(xiàn)象（圖片、國際象棋賽、基因組學研究數(shù)據(jù)等）的大量例子作為輸入，讓網(wǎng)絡(luò)模仿人類神經(jīng)元學習的過程從而是被出規(guī)律，也因此，神經(jīng)網(wǎng)絡(luò)算法的實現(xiàn)需要大量的計算機運算力和高質(zhì)量的數(shù)據(jù)。

圖片來自參考文獻1

計算機科學與和合成生物學的關(guān)系

合成生物學這一新興學科在20年前誕生初始之際，便與計算機科學的發(fā)展緊密相關(guān)。因為合成生物學在本質(zhì)上是遵循“設(shè)計-構(gòu)建-測試-學習”循環(huán)式的工程學科，而扎根于人類基因組“讀”和“寫”的時代，合成生物學家們從一開始就將細胞的遺傳物質(zhì)當做一個可以被理性操作和設(shè)計的系統(tǒng)，并且把計算機科學中的工程化術(shù)語與思想引入該新興領(lǐng)域，元件、裝置、系統(tǒng)、解耦、抽象化、標準化、底盤、邏輯門、線路設(shè)計等等，都體現(xiàn)了這一核心思想的類比性。早在2006年，Ron Weiss研究組便發(fā)表綜述性文章《Synthetic Biology: New Engineering Rules for an Emerging Discipline》^[1]，將合成生物學研究的特征與計算機系統(tǒng)的特征進行類比，如下圖所示，該文從生物裝置、模塊組件、細胞以及多細胞系統(tǒng)等四個層面進行了設(shè)計策略與功能以及實例的角度進行了分析性討論。

圖片來自網(wǎng)絡(luò)（AILabPage.com）

而在過去的20年里，各種組學與定量生物學實驗數(shù)據(jù)的縱深積累、基因組編輯技術(shù)的興起與穩(wěn)步前進，以及計算機運算力與輔助設(shè)計手段的同步快速發(fā)展，使得人工智能技術(shù)在合成生物學領(lǐng)域的應用成為了歷史進程的必然方向，本系列內(nèi)容將選取四個典型的研究領(lǐng)域，即AAV病毒改造、酶定向進化、蛋白質(zhì)從頭設(shè)計、生物網(wǎng)絡(luò)的研究以及自動化的深入應用，來簡單地解讀這一趨勢。

其中AAV病毒改造的研究來自George Church實驗室，其初步展示了自動化的文庫構(gòu)建技術(shù)與高通量測序技術(shù)結(jié)合機器學習建模在設(shè)計趨向性更優(yōu)的AAV病毒中的明顯優(yōu)勢；酶定向進化的案例中解讀了Frances Arnold實驗室近年來使用機器學習技術(shù)進行組合文庫的計算與預測從而大大增加了虛擬建模通量這一重要方法，該方法為更大深度和更廣范圍探索天然酶的適應性空間提供了新的工具；蛋白質(zhì)從頭設(shè)計的研究來自David Baker實驗室，其展現(xiàn)了深度學習技術(shù)在蛋白質(zhì)結(jié)構(gòu)預測精細化和蛋白質(zhì)從頭設(shè)計領(lǐng)域中的強大應用；最后一個案例來自兩篇經(jīng)典綜述文章，系統(tǒng)化地解讀了大數(shù)據(jù)時代的生物網(wǎng)絡(luò)研究和合成生物學研究領(lǐng)域中愈加明顯的自動化趨勢——AI + SynBio = ？？？讓我們一起深度探索、深度學習！

參考文獻

• Andrianantoandro E, Basu S, Karig DK, Weiss R. Synthetic biology: new engineering rules for an emerging discipline. Mol Syst Biol. 2006;2:2006.0028. doi:10.1038/msb4100073.