作者：岳天溦

基因技术被认为是改变未来的技术之一。根据麦肯锡的报告，预计到年，全球将会累计产生10亿人次的全基因组数据。基因组学所需的数据量如此巨大，用深度学习技术去探索人类基因组密码便成为了趋势与未来。本专栏将结合最新的一篇来自于卡耐基梅龙大学的综述论文，回顾与展望这一交叉学科的发展。

自从年变分自动编码器（VAEs）被提出，年Goodfellow提出生成对抗网络（GANs）起，生成式模型（generativemodels）深得深度学习研究者的青睐。尤其是当深度学习由于“blackbox”限制不能充分地推动AI在生物学、基因组学中的发展时，很多学者力求探索生成式模型在其中的应用。

比如，前几日arXiv来自斯坦福大学的论文就展现了如何利用GANs去编码可变长度蛋白质的合成DNA序列。面对合成生物学这类属于人类未来的新兴学科，人工智能在其中能发挥的巨大作用值得期待。对于想要了解这一领域的学者，本专栏介绍的这篇由卡耐基梅龙大学硕士岳天溦与EricXing教授的学生汪浩瀚合著的论文“DeepLearningforGenomics:AConciseOverview”，综述了深度学习在基因组学中的应用。文中分析了不同深度模型的优劣势，举例讲解如何利用深度学习解决基因学问题，并且指出了当前科研所面临的缺陷和挑战。

论文链接:

转载请注明:http://www.aideyishus.com/lkyy/5365.html