NC综述 | 深度学习在生物科学领域的应用

作为一枚长期关注BT与IT融合的小编，最近挖到一篇NC综述，作者从蛋白质结构预测、蛋白质功能预测、基因工程、系统生物学和数据集成以及系统发育推断五个方面讨论了深度学习（DL）的最新进展、局限性和未来展望。

深度学习（DL）允许使用由多层非线性计算单元组成的复杂模型，找到具有多层抽象的数据表示。

机器学习场景和常用DL架构概述

作者从如下四个方面回顾了DL的进展：（i）范式转换（其中DL明显优于其他ML和经典方法，并提供了广泛的影响）；（ii）重大成功（其中DL性能通常高于其他ML和经典方法）；（iii）中等成功（DL性能通常与其他ML和经典方法相当）；（iv）小成功（DL方法未被广泛采用或与其他ML和经典方法相比表现不佳）。然后讨论生物科学中DL的常见挑战。

深度学习在生物科学领域的应用

DL在计算生物学中对经典ML技术的改进，到目前为止取得了不同程度的成功。

范式转变

蛋白质结构预测可能是DL在计算生物学中最成功的应用之一。多序列比对（MSA）形式的大量无监督数据，使得学习蛋白质的非线性进化信息表征成为可能。国际竞赛CASP加速了该领域的进展，CASP13中由谷歌DeepMind小组开发的AlphaFold几乎是基于此前版本预测的两倍。遵循该领域最近的趋势，AlphaFold