基因变异鉴定的深度学习方法与研究展望

1、基因变异鉴定的深度学习方法与研究展望摘要：近年来，深度学习的火热使得传统的基因变异鉴定领域发生了巨大的变化。研究人员将深度学习方法与传统基因变 异鉴定方法相结合,试图寻找基因变异鉴定的新方向。本文首先介绍目前两类不同的深度学习用于基因变异鉴定的 方法,对其进行总结，着重分析两种方法的特点并进行对比。最后对未来深度学习方法的基因变异鉴定的研究方向 进行展望。关键词：基因变异鉴定；深度学习；SNP检测；研究展望0引言作为一种重要的生物实验技术手段，DNA测序 (DNA sequencing)在生物学研究中有着广泛的应用，伴 随着第二代测序技术的日趋完善，许多物种已经完成 了全基因组的从头测序。并且

2、近年来，单分子测序 (SMS)技术已经出现了各种重要的应用。这些技术也 被称为第三代测序技术，产生的测序读数比Illumina 的读数长2到3个数量级(10- 100kbp对100- 250bp)。较长的读数长度使得包括Pacific Biosciences (PacBio)和 Oxford Nanopore Technology(ONT)在内的 新的SMS技术在解决复杂的基因组组装问题和检测大 型结构变异方面具有前所未有的强大功能。常用的群体遗传变异鉴定工具有DNSTAR、 GATK、samtools、freebayes、SOAPsnp、V arscan2、sambam- ba等软件。其中最

3、常用的为GATK、samtools、sambam- ba和freebayes o这四个工具中，sambamba软件在单样 本数据以及多样本数据中，在速度方面均具备显著优 势。而gatk软件只在多样本数据分析上有一定的检测 速度优势。而在变异鉴定结果准确性方面,samtools和 sambamba软件倾向于寻找比较全面的变异，而gatk和 freebayes软件则更倾向于寻找准确性较高的变异0现在在基因组数据中有两个比较具体的挑战:新 型测序技术产生基因数据的高特异性和高灵敏度的 SNPs鉴定及indels鉴定。这两项任务对研究罕见变 异、等位基因特异性转录和翻译以及剪接位点突变至 关重要。目前

4、的方法对于Illumina短read数据中的 SNPs和indel的精度均在99%以上，然而这些方法会 留下大量潜在的假阳性和假阴性。这些方法都依靠专 家建立可靠的将信号与噪声分开的概率模型,这个过 程是很耗时的，从本质上讲是受限于我们对于导致噪 声的因素的理解与建模能力。所以在传统基因鉴定工具愈发成熟的加持下，研 究人员将目光投向了近些年大展身手的深度学习之 上，利用深度学习来构造由数据驱动的无偏噪声模型。1核心思想深度学习是一种机器学习技术，深度学习受到了 越来越多研究者的关注，它在特征提取和建模上都有 着相较于浅层模型显然的优势。深度学习善于从原始 输入数据中挖掘越来越抽象的特征表示，而

5、这些表示 具有良好的泛化能力。它克服了过去人工智能中被认 为难以解决的一些问题。且随着训练数据集数量的显 著增长以及芯片处理能力的剧增|2lo它应用于多种领 域，包括图像分类、翻译、游戏和生命科学。深层神经网络是目前的主要形式,其神经元间的 连接模式受启发于动物视觉皮层组织，而卷积神经网 络则是其中一种经典而广泛应用的结构卷积神经网络 的局部连接、权值共享及池化操作等特性使之可以有 效地降低网络的复杂度，减少训练参数的数目，使模型 对平移、扭曲、缩放具有一定程度的不变性，并具有强 鲁棒性和容错能力，且也易于训练和优化。基于这些 优越的特性，它在各种信号和信息处理任务中的性能 优于标准的全连接神

6、经网络。采用深度学习的算法来处理基因数据并用于基因 变异鉴定的核心思想是:基因变异鉴定问题也可以转 换为分类问题，对于一个变异候选位点来说，其variant call就是在对这个数据进行分类;因此从基因数据中训 练出概率模型，再用概率模型去判断后续数据。本文中介绍这一核心思想下的两种深度学习使用 方法，第一种将格式为bam的变异基因数据和格式为 fa文件的参考序列转换为堆积张量，将堆积张量用于 神经网络的训练和测试。第二种采用工具寻找基因数 据中的特征，并将这些特征矢量化为适合训练网络的 特征，再用于概率模型的训练。2 DeepVariant2016年12月Google旗下的子公司Verily

7、发了一- 篇文章描述了一个针对全基因组测序变异位点（SNP 和small indel）检测的新算法，这个算法不同于一般基 于统计方法的软件，而是利用了卷积神经网络识别变 异位点3。DeepVariant利用谷歌大脑为图像分类而训 练的神经网络架构Inception v2,将候选SNP周围的 reads编码为221x100位图图像,其中每列是一个核苷 酸，每行是一个从样本库中读取的reads序列。前五行 代表参考序列，后95行代表随机抽样覆盖了这个变异 候选位点的reads序列。每个RGBA类型的图像像素 将碱基A、C、G、T编码为不同的红色值，质量分数编码 为绿色值，正负链信息编码为蓝色值，与

8、参考序列的变 异编码为alpha值。堆积图选取的编码信息如下：（1）base：序列碱基（2）base quality:碱基质量分数（3）mapping quality:序列比对质量（4）strand正反向链（5）supports variant:是否支持 alternative allele（6）supports reference:是否支持 reference allele 带有明确变异位点标签的编码堆积图放入13层网络中进行训练，此网络采用Inception v2网络架构。 训练好网络之后,将没有标签的变异候选位点堆积图 放入网络中,即可进行变异鉴定。神经网络输出的结果为每个变异候选位点的

9、基因 型概率。图1 DeepVariant整体过程3 Matcha同样是使用深度学习来处理基因变异鉴定,Remi Torracinta141 的方法与 DeepVariant 却不一样。Remi Tor- racinta设计的方法采用Goby框架来找到reads比对序 列和参考序列的特征，并且将这些特征矢量化为适合 训练前馈神经网络的特征和标签。Matcha的神经网络中最核心的是特征映射器,特 征映射器将样本中的对齐序列转换为一组适合训练神 经网络的固定特征集。不论在基因组上有多少对齐的 reads序列,映射器都会产生一个固定长度的输出，这 些输出可以一致性的转换为一个固定长度的用于神经 网络

10、训练的输入向量。再每个基因组位点，映射器都 会生成每种基因型的reads序列的读数和reads序列中 支持这个基因型的不同位置的数量。每一个基因组位 点会衍生出数百个特征。对于标签映射器来说，有两种不同的方法，一种是 单独调用等位基因,并对等位基因的数量进行编码,另 一种类似于DeepVariant o这两种方法分别适用于任意 倍体基因组和二倍体基因组。模型采用DeepLearning4框架，并于Goby框架进 行集成，网络结构为五层网络。将对齐后的基因文件 输入特征和标签映射器，选择特征映射器,会在训练集 上产生用映射器训练的模型，这个模型可以用于在测 试集上的基因变异鉴定。4对比分析通过现

11、在出现的两种不同的用深度学习方法来进 行基因变异鉴定方法的介绍，笔者对他们在变异鉴定 效果和范围上的优缺点做出如表1对比分析。表1两种深度学习应用方法的比较对比类型DeepVar i antMatcha用于网络训练数据类型堆积图特征训练数据来源IlluminaIllumina适用类型二倍体任意倍体数据预处理流程较多少量预处理Illumina上准确率0. 9960. 924Illumina 的 recall0. 9930. 997Illumina 的 Fl0. 9950. 950变异鉴定类型SNPs、 INDELSNPs注:F1表示准确率和recal 1的调和平方值5深度学习下基因变异鉴定方法分

12、析研究两种方式使用了不同的思路来使用深度学习对基 因数据进行变异鉴定。两者既有相似之处也有不同之 处。两个方法最核心的思想是一样的:从数据中训练 概率模型,并用这个概率模型进行后续判断。不同之 处在于:DeepVariant是将基因数据经过编码转换为堆 积图，再将堆积图用图像分类网络进行训练和鉴定； Matcha是利用Goby框架从数据中寻找特征，然后手动 将特征放入网络。DeepVariant只适用于二倍体生物，而Matcha可以 用于任意倍体生物的基因变异鉴定；DeepVariant能够 寻找变异类型中的SNPs和INDEL，而Matcha专门用 于寻找SNPs。同时计算效率上两者也有较大

13、差异。将数据转换 为堆积图，DeepVariant至少需要使用300万像素，而 Matcha使用了 642个浮点表示特征与标签，所以Matcha 的数量级较小，对硬件的要求也比较低。6结语随着深度学习的火热，基因数据研究者也将自己 的目光放在了深度学习之上。本文对两种不同类型的 采用深度学习进行基因变异鉴定的方法进行了介绍与 对比，深度学习算法有时是比GTAK等工具性能更好 的。结合发展趋势与需求，未来研究工作地重点可能 主要包括：（1）Matcha类似的需要手动寻找特征的方法，虽然 有着更广阔的应用范围,但由于这个特征集在开发期 间至少要经过15次的迭代微调，所以这个模型并不会 泛化。是否有更好地寻找特征集的方法，能够减少微 调过程及次数，使这个模型能够泛化。（2）DeepVariant对Illumina数据的效果较好，但对 于PacBio等reads序列较长的数据来说,DeepVariant 不是最佳选择。下一步研究工作，可以着重考虑修改 网络，使其能够对第三代基因数据和PacBio等基因数 据有较好的效果。（3）DeepVariant所使用网