Google今天推出了一個名叫DeepVariant的開源工具，用深度神經網絡來從DNA測序數據中快速精確識別堿基變異位點。

學科研究的革命性進展，特別是基因學上，需要依賴于新技術的出現。比如桑格發明了測序法之后，才實現了人類基因組的測序。

再比如DNA（微陣列）芯片技術的誕生，使得大規模的基因測序成為可能。這些技術讓我們能夠獲得大量遺傳信息，可以更廣泛地應用于健康、農業和生態上。

基因測序領域里，最革命性的技術當屬2000年初首次商用的高通量測序（縮寫為HTS）了。HTS可以大規模、低成本、快速地獲得任何生物的基因序列。

不過，HTS有個致命的問題在于，測序出來的結果不是完整的，而是碎片化的片段信息。

比如測的是人的基因序列的話（也就是說，信息量級為23對染色體上的30億對堿基排序），那么得到的測序結果是不到10億個短序列片段，一般每個短序列片段我們稱為讀取單位（reads）。

每個讀取單位含有100個堿基對（不同讀取單位的信息需要重疊，才能最后拼全），而每個堿基的錯誤率范圍是0.1%到10%。所以，一直以來，對于HTS來說，最大的挑戰是把碎片化的結果信息拼成一整段完整的序列信息。

瓶中基因組聯盟Genome in a Bottle Consortium（GIAB），和精準FDA平臺（美國藥監局做的基因組信息學社區和共享數據平臺）一樣，致力于提高基于HTS基因測序結果。他們能提供高精度的人體基準基因組序列信息。

把測序結果與基準基因序列一比對，就可以得到很多個堿基變異位點（就是上圖打星的地方），這些位點，可能是SNP單核苷酸多態性導致的，也可能是測序過程中復制出錯造成的。

今天，Google Brain團隊，聯合同屬于Alphabet旗下的生命科學兄弟公司Verily，用了兩年多時間，研發出了一個名叫DeepVariant的開源工具，專門用深度神經網絡來識別HTS結果中DNA測序數據里這些堿基變異位點。這個工具在準確率上和精確度上，比傳統的比對拼接方法都高出一大截。

DeepVariant，把工作量巨大的拼接問題（HTS碎片化的結果拼接成完整的基因序列），轉變成了一個典型的圖像分類問題。而圖像分類正是谷歌擅長的技術。

2016年，DeepVarient還在PrecisionFDA Truth Challenge中贏得了最高SNP性能獎（Highest SNP Performance）。在那之后，Google Brain團隊又將錯誤率降低了50%。

下面的四幅圖，分別代表實際測序的片段和基準序列的比對結果。

△A:單核苷酸多態性造成的堿基變異位點；

B:一條染色體上少了一個堿基；

C:兩條染色體上都少了一個堿基；

D:復制錯了的堿基變異位點。

在比對過程中，要回答的一個關鍵的問題是，怎么判斷比對后得到的堿基變異位點，是存在于兩條染色體中，還是只在一條里，還是都沒有。造成堿基變異位點的原因不只一種，最常見的三種可能是單核苷酸多態性，或多插了一個堿基，或少復制了一個堿基。

這些變異位點如果用視覺識別的算法就能快速找出來。大大提高HTS后的比對拼接的效率。

因為瓶中基因組聯盟Genome in a Bottle Consortium（GIAB）提供的人體基準基因組序列信息是高精度可信的，或者更嚴謹地說，是最接近真實序列的信息。

通過這個基準序列得到的復制數據，谷歌團隊可以拿它們來訓練基于Tensor Flow的圖像分類模型，所得到的DeepVariant，最后可以區別真實序列數據和復制數據。

盡管DeepVariant根本不懂什么是基因組序列，也不懂HTS，但是只用了一年，就已經贏得了PrecisionFDA Truth Challenge中的最高SNP性能獎（Highest SNP Performance）。而且到目前為止，把已有最優異的方法拼接錯誤率降低了50%多。

在發布開源代碼的同時，Google Brain還發布Google Cloud上的DeepVarient工作流，方便開發者用它來處理大型數據集。

最后，附上相關鏈接：

Google Research Blog介紹：https://research.googleblog.com/2017/12/deepvariant-highly-accurate-genomes.html

開源代碼：https://github.com/google/deepvariant

Google Cloud版：https://cloud.google.com/genomics/deepvariant