卷積神經網絡的深度學習使計算機更加有效、全面的處理圖像，生物學領域正在逐漸運用這一技術，它能使細胞、基因等圖像更加清晰，使機器看到更多人類從未見過的東西。

眼睛被認為是心靈的窗口——而谷歌的研究人員把它看作是一個人的健康指示器。這家科技巨頭正在通過分析人視網膜照片，利用深度學習來預測人的血壓、年齡和吸煙狀況。谷歌（Google）的計算機從血管的排列中收集線索——一項初步研究表明，這些機器可以利用這些信息來預測一個人是否有心臟病發作的危險。

這項研究依賴于一種卷積神經網絡，這是一種深層學習算法，它正在改變生物學家分析圖像的方式。科學家們正在使用這種方法來發現基因組中的突變，并預測單細胞排列的變化。谷歌的方法已于2017年8月公布（R.Poplin等人，預印于https://arxiv.org/abs/1708.09843；2017），這是一系列新的深度學習應用程序的一部分，這些應用程序使圖像處理變得更容易、更通用，甚至可以識別被忽視的生物現象。

“以前，將機器學習應用于生物學的許多領域是不現實的，”谷歌公司一工程主管菲利普·納爾遜（Philip Nelson）說，“但現在可以了——而更令人興奮的是，機器現在可以看到人類以前可能從未見過的東西。”

卷積神經網絡使計算機能夠高效、整體地處理圖像，而不必將圖像分割成多個部分。這種方法于2012年左右開始在科技行業流行起來，這得益于計算機能力和存儲技術的進步；例如，Facebook利用這種深度學習來識別照片中的人臉。但是科學家們一直在努力將這些網絡應用到生物學中，部分原因在于不同領域之間的文化差異。“找一群聰明的生物學家，把他們放在一個由聰明的計算機科學家組成的房間里，他們會互相講兩種不同的語言，并且有不同的思維模式。”加州舊金山一家由谷歌母公司Alphabet支持的生物技術公司Calico的首席計算官達芙妮·科勒（Daphne Koller）說。

科學家還必須確定哪些類型的研究可以通過網絡進行，這些網絡必須經過大量的圖像訓練才能開始預測。當Google想利用深度學習來發現基因組中的變異時，它的科學家必須將DNA字母串轉換成計算機能夠識別的圖像。然后他們在DNA片段上訓練他們的網絡，這些片段與一個參考基因組一致，并且其突變是已知的。最終的結果是2017年12月發布的、可以在DNA序列中找到微小的變化的工具DeepVariant。在測試中，DeepVariant至少和常規工具一樣好。

位于華盛頓西雅圖的艾倫細胞科學研究所（Allen Institute for Cell Science）的細胞生物學家，正在利用卷積神經網絡把用光學顯微鏡拍攝的細胞的平面灰色圖像轉換成3D圖像，3D圖像中一些細胞的細胞器都用彩色標記。該方法消除了對細胞著色的需要——細胞著色這個過程需要更多的時間和復雜的實驗室，且可能會損壞細胞。上個月，該小組公布了一項先進技術的細節，該技術可以使用一些數據（比如細胞的輪廓）來預測更多細胞的形狀和位置。

麻省理工學院和哈佛大學的影像平臺主任Anne Carpenter說：“你現在看到的是，機器學習能完成與成像有關的生物學任務，這是一個前所未有的轉變。”在2015年，她的跨學科團隊開始使用卷積神經網絡來處理細胞圖像；Carpenter說，現在她的中心利用卷積神經網絡方法處理的圖像數據約有15%。她預測，幾年后，該方法將成為該中心的主要處理方式。

其他人對這想法最為興奮：使用卷積神經網絡來分析圖像可能會在不經意間暴露出微妙的生物現象，這促使生物學家提出他們可能從未考慮過的問題。尼爾森說，“科學上最有趣的短語不是‘我發現了！’，而是‘這太奇怪了——發生了什么事？’”

艾倫研究所的執行主任里克·霍維茨（Rick Horwitz）說，這種偶然的發現可能有助于促進疾病研究。如果深度學習能夠揭示單個細胞中癌癥的細微標志物，將有助于提高研究者對腫瘤惡化的分類。這反過來又會引發關于癌癥如何擴散的新假設。

其他機器學習的生物學行家已經把目光投向了新的前沿，現在，卷積神經網絡正快速向圖像處理領域發展。德國環境健康研究中心（German Research Center for Environmental Health in Neuherberg）的計算生物學家亞歷克斯·沃爾夫（Alex Wolf）說，“成像很重要，但化學和分子數據也很重要”。沃爾夫希望調整神經網絡，以便分析基因表達。“我認為在未來幾年將會有非常大的突破，”他說，“這使得生物學家能夠更廣泛地應用神經網絡。”