人工智能在臨床基因組學(xué)中的應(yīng)用進展

劉 杏，楊 寅，葛一平，林 彤

中國醫(yī)學(xué)科學(xué)院 北京協(xié)和醫(yī)學(xué)院 皮膚病醫(yī)院(研究所)1激光科 2江蘇省皮膚病與性病分子生物學(xué)重點實驗室，南京 210042

概 述

臨床基因組學(xué)主要研究基因組信息在臨床中的應(yīng)用，包括診斷、治療決策、預(yù)測預(yù)后。臨床基因組學(xué)涵蓋許多重要的任務(wù)，如對腫瘤患者進行分層以便進行更有效和精準的治療，分析遺傳病的發(fā)病機制、變異位點從而有助于診斷和治療，還包括預(yù)測藥物療效及不良反應(yīng)等。致病性是臨床基因組學(xué)中最核心和最基本的概念。致病性是指基因變異后引起疾病的可能性，也是臨床基因組學(xué)的主要研究內(nèi)容[1]。準確性是基因組學(xué)研究中分析和評價的指標，主要從兩方面來描述：分析有效性和臨床有效性[2]。

人工智能是一種基于計算機系統(tǒng)的模擬非生命體的智能形式。計算機軟件和硬件的進步，特別是用于訓(xùn)練的深度學(xué)習(xí)算法和圖形處理單元的進步，讓人工智能處理大量復(fù)雜數(shù)據(jù)成為可能。人工智能屬于數(shù)據(jù)科學(xué)的范疇，包括經(jīng)典編程和機器學(xué)習(xí)，后者包括許多模型和方法，如深度學(xué)習(xí)和人工神經(jīng)網(wǎng)絡(luò)[3]。深度學(xué)習(xí)能夠讓多個處理層組成的模型學(xué)習(xí)具有多重抽象級別的數(shù)據(jù)，還可以運用反向傳播算法計算每一層的內(nèi)部參數(shù)，從而識別大數(shù)據(jù)的具體結(jié)構(gòu)和特征[4]。人工智能的實際應(yīng)用可根據(jù)解決的問題分類，如計算機視覺、時間序列分析、語音識別、自然語言處理等，這些都逐漸應(yīng)用于醫(yī)學(xué)[5]。

人工智能在臨床基因組學(xué)中的應(yīng)用

深度學(xué)習(xí)最擅長解決復(fù)雜和數(shù)據(jù)豐富的問題，尤其適合生物學(xué)和臨床問題，包括識別致病性的基因變異[6]。目前，人工智能的許多技術(shù)已經(jīng)用于臨床基因組學(xué)研究中的多重環(huán)節(jié)，包括識別變異、變異分類、影像-遺傳診斷、電子病歷-基因診斷、基因型-表型預(yù)測、藥物作用及不良反應(yīng)預(yù)測。

識別變異變異包括基因突變和基因重組?；蛲蛔兛梢援a(chǎn)生新基因，是生物變異的根本來源，參與了大量疾病的發(fā)生發(fā)展及轉(zhuǎn)歸。因此，變異的準確識別在臨床上發(fā)揮著舉足輕重的作用，這也是基因組學(xué)研究中一項重要而又具有挑戰(zhàn)性的任務(wù)。近年研究表明，深度學(xué)習(xí)將徹底改變基于納米孔測序技術(shù)的堿基識別以及變異識別，從而發(fā)生質(zhì)的飛躍[7]。

DeepVariant是一種基于卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network，CNN)的算法，可以讀取大量堿基序列，以識別單核苷酸變異和堿基插入/缺失。在一些識別變異任務(wù)中，DeepVariant的準確性優(yōu)于現(xiàn)有的標準工具，推測該準確性的提高是由于CNN能夠識別測序數(shù)據(jù)中復(fù)雜的依賴關(guān)系[8]。為進一步提高家系測序中DeepVariant識別變異的準確性，研究者們又開發(fā)了另一個識別變異途徑dv-trio，dv-trio能夠?qū)⒚系聽栠z傳模型的trio信息整合到現(xiàn)有結(jié)構(gòu)[9]。Luo等[10]開發(fā)了Clairvoyante這個多任務(wù)的5層CNN模型，Clairvoyante可以從序列中預(yù)測變異類型，如單核苷酸多態(tài)性、堿基置換、堿基插入/缺失。

編碼區(qū)變異分類編碼區(qū)是指能夠轉(zhuǎn)錄為信使RNA，進而編碼蛋白質(zhì)的區(qū)段。編碼區(qū)變異后可以直接影響蛋白質(zhì)的結(jié)構(gòu)和功能，導(dǎo)致疾病發(fā)生。編碼區(qū)變異的準確識別，一直是遺傳學(xué)家竭力攻克的難題。因此，利用人工智能技術(shù)對編碼區(qū)變異進行準確識別和分類是臨床基因組學(xué)中的一大重任[11]?；诂F(xiàn)有方法計算的6個功能效應(yīng)得分(SIFT、PolyPhen2、LRT、MutationTaster、GERP、PhyloP)和來自各種基因組數(shù)據(jù)源的5個關(guān)聯(lián)得分(基因本體、蛋白質(zhì)-蛋白質(zhì)相互作用、蛋白質(zhì)序列、蛋白質(zhì)域注釋、基因通路注釋)，SPRING(Snv Prioritization via the Integration of Genomic data)這一生物信息學(xué)方法，可用于識別致病的非同義單核苷酸變異(single-nucleotide variants，SNVs)。通過一系列實驗進行驗證，最終證明SPRING可有效檢測部分已知或完全未知的遺傳性疾病的編碼區(qū)變異。真實的全外顯子測序數(shù)據(jù)分析突顯出SPRING在檢測自閉癥、癲癇性腦病和智力殘疾等疾病的新發(fā)突變的能力[12]。經(jīng)過多次更新和完善，數(shù)據(jù)庫dbNSFP v3.0可以為人類非同義和剪接位點SNVs提供功能預(yù)測和注釋，3.0版本共包括82 832 027個SNVs[13]。

人類基因組測序發(fā)展迅猛，但是檢測出的變異很難分辨是致病變異還是良性基因變異，使得其在臨床及科研中的應(yīng)用受限。Sundaram等[14]對6類靈長類動物(黑猩猩、倭黑猩猩、大猩猩、猩猩、恒河、絨猴)進行測序后發(fā)現(xiàn)數(shù)十萬個常見基因變異，再利用這些變異數(shù)據(jù)訓(xùn)練了一個深度神經(jīng)網(wǎng)絡(luò)模型，該模型可以識別罕見疾病患者的致病性突變，準確率達88%。而且該模型還發(fā)現(xiàn)14個新的智力障礙候選基因。該深度神經(jīng)網(wǎng)絡(luò)對其他靈長類物種的常見基因變異進行分類，極大推進了人類基因組測序的臨床應(yīng)用。ClinVar，是由美國國家生物技術(shù)信息中心保存、隸屬于美國國家醫(yī)學(xué)圖書館的公共數(shù)據(jù)庫，該數(shù)據(jù)庫收集了與疾病相關(guān)的遺傳變異及臨床注釋。ClinVar根據(jù)變異-疾病和變異(或變異集)來整合數(shù)據(jù)，其提供的變異注釋由臨床檢測實驗室、研究實驗室和專家小組共同提供[15]。ClinVar更新后，視圖和布局均有所調(diào)整，更便于查找提交的數(shù)據(jù)和對數(shù)據(jù)的注釋。新版本的ClinVar也能更好地處理復(fù)雜的數(shù)據(jù)，如單倍型和基因型，以及單倍型或基因型中的一部分變異[16]。

非編碼區(qū)變異分類非編碼區(qū)是指能夠轉(zhuǎn)錄為RNA，但不能編碼蛋白質(zhì)的區(qū)段。雖然不能編碼蛋白質(zhì)，但非編碼區(qū)能夠調(diào)控遺傳信息的表達，同樣具有遺傳效應(yīng)。近年來，人們逐漸意識到非編碼區(qū)的重要性。非編碼區(qū)的突變可影響多個基因的轉(zhuǎn)錄、翻譯，導(dǎo)致疾病發(fā)生。計算機識別和預(yù)測非編碼變異是人類基因組學(xué)的又一項重大任務(wù)，有助于明確疾病的發(fā)病機制和診斷[17]。

大規(guī)模并行剪接分析是一種使用隨機森林的算法，被用來篩選人類基因突變數(shù)據(jù)庫中報道的4964個外顯子疾病突變，建立人工智能篩選非編碼基因變異的新模型，該模型極大提高了識別變異的能力。結(jié)果表明，該模型檢測到的剪接與患者組織中實際剪接的一致率為81%，并且通過該模型發(fā)現(xiàn)基因的剪接缺陷可造成至少10%的罕見致病遺傳變異[18]。MMSplice(modular modeling of splicing)是經(jīng)過多個大規(guī)?；蚪M數(shù)據(jù)集訓(xùn)練，對外顯子、內(nèi)含子和剪接位點進行評分的神經(jīng)網(wǎng)絡(luò)，最終可以預(yù)測變異對外顯子跳躍、剪接位點選擇、剪接效率和致病性的影響[19]。另外，也有專家指出，基因剪接的過程復(fù)雜，受多種因素影響，如內(nèi)含子和外顯子剪接增強子、沉默子、絕緣子等，因此剪接很難被識別[20]。

Pre-mRNAs經(jīng)剪接成為成熟轉(zhuǎn)錄本是一個相當精確的過程。超深度測序的結(jié)果表明，pre-mRNA剪接是一個序列驅(qū)動的高保真過程，但調(diào)節(jié)該過程的具體機制尚不完全清楚[21]。SpliceAI是一個具有32層卷積的深度神經(jīng)網(wǎng)絡(luò)，可以精確地預(yù)測pre-mRNA轉(zhuǎn)錄序列的剪接，從而能夠精確地預(yù)測引起隱蔽剪接的非編碼變異。預(yù)測結(jié)果中影響可變剪接的同義突變和內(nèi)含子突變，可使用RNA測序數(shù)據(jù)進行驗證，top-k精度是0.95[22]。

可變剪接，即去除內(nèi)含子、連接外顯子，是單個基因編碼的關(guān)鍵過程。而剪接支點是可變剪接的標志，內(nèi)含子中可能有多個支點[23]。LaBranchoR是一個基于深度學(xué)習(xí)的RNA剪接支點預(yù)測模型，能夠預(yù)測至少75%的3’端剪接位點的正確支點，并給出相應(yīng)注釋[24]。

影像-遺傳診斷許多遺傳綜合征具有可識別的面部特征，這一點引起遺傳學(xué)家的重視，開始致力于此方面的研究。新型面部畸形分析軟件的圖像分析技術(shù)是基于將數(shù)學(xué)函數(shù)半自動放置在相關(guān)面部結(jié)構(gòu)上的節(jié)點網(wǎng)格，經(jīng)過訓(xùn)練，可識別外胚層發(fā)育不良患者的面部特征而進行診斷。驗證后的結(jié)果表明該軟件對男性X連鎖少汗性外胚層發(fā)育不良的診斷具有較高的敏感性和特異性[25]。另外，新型面部畸形分析軟件也提高了酒精相關(guān)神經(jīng)發(fā)育障礙的診斷準確率[26]。

DeepGestalt是一種新的面部圖像分析模型，該模型使用計算機視覺和深度學(xué)習(xí)算法，量化數(shù)百種綜合征的相似性。該模型在代表200多種綜合征的17 000多幅圖像的數(shù)據(jù)集上進行訓(xùn)練，在502張不同圖像上進行測試，結(jié)果表明識別綜合征的準確率達91%。DeepGestalt的表現(xiàn)顯著優(yōu)于人類遺傳學(xué)家，而且能夠精確地區(qū)分同一臨床診斷的分子亞型[27]。研究者選取17種遺傳綜合征的323例患者的圖像和無遺傳綜合征的323例患者的圖像，使用DeepGestalt模型進行驗證，結(jié)果表明綜合征的診斷靈敏度高達91%[28]。PEDIA(prioritization of exome data by image analysis)是DeepGestalt模型基礎(chǔ)上整合了基因組數(shù)據(jù)而形成，能夠提取面部圖像的表型特征。PEDIA對679個個體中的105種單基因疾病的候選致病變異進行精確的優(yōu)先排序，準確率顯著提高[29]。

在某些腫瘤中，人工智能可以彌補圖像特征和遺傳變異之間的差距。生存卷積神經(jīng)網(wǎng)絡(luò)，即CNN與Cox回歸分析的結(jié)合，創(chuàng)建了一個統(tǒng)一的框架來整合組織學(xué)和基因組學(xué)標記，能夠充分了解與生存和體細胞突變相關(guān)的組織學(xué)特征?；谏窠?jīng)膠質(zhì)瘤的基因組分類和組織學(xué)分級，研究者們在當前臨床標準的背景下系統(tǒng)評估了該方法的準確性，結(jié)果表明生存卷積神經(jīng)網(wǎng)絡(luò)可以直接從腫瘤組織學(xué)圖像中預(yù)測患者發(fā)生的基因突變[30]。

電子病歷-基因診斷在臨床診療中，電子健康病歷(electronic health record，EHR)是不可或缺的。EHR由臨床醫(yī)生完成，涵蓋了較為全面的信息，如個人基本信息、生命體征、發(fā)病過程、用藥史、家族史、檢查結(jié)果等，采集完成后，醫(yī)生才能給予相應(yīng)的診斷和治療。從EHR中，醫(yī)生可以基本了解患者的全部就診過程，了解疾病進展，從而獲取大量有效信息。

近年來，研究者們設(shè)計了一個基于人工智能的系統(tǒng)，該系統(tǒng)使用機器學(xué)習(xí)的方法從EHR中提取相關(guān)臨床特征，再模仿人類醫(yī)生的臨床推理，最終給出臨床診斷。自然語言處理系統(tǒng)能夠區(qū)分55個常見的兒科疾病，并給出診斷，準確率達92%[31]。在另一項研究中發(fā)現(xiàn)，當電子健康病歷與基因組數(shù)據(jù)結(jié)合時，研究者們可以設(shè)計出一個臨床自然語言處理系統(tǒng)，該系統(tǒng)可以快速給出基因診斷，特別是病情危重的住院患兒，基因診斷后可以盡快給予相應(yīng)治療措施，從而提高患兒存活率、改善預(yù)后[32]。1年多后，臨床自然語言處理系統(tǒng)對48例疑似遺傳疾病的重癥兒童再次進行分析，其中2例疑似病例得到確診，診斷率增加4.2%[33]。

人工智能輔助診斷系統(tǒng)不僅在西醫(yī)中研究甚多，目前在中醫(yī)方面也取得了進展。研究者們采用自然語言處理技術(shù)對非結(jié)構(gòu)化自由式電子病歷進行處理后提取患者癥狀、體征等臨床信息，將提取后的信息用于模型訓(xùn)練，得到了一種新的預(yù)測模型，即綜合學(xué)習(xí)模型，該模型能夠預(yù)測187種中醫(yī)疾病的類型，并且具有較高的診斷準確率。隨著算法的不斷改進和電子病歷的不斷增多，運用模型能夠診斷的疾病類型有望增多，診斷準確率也有望提高[34]。

基因型-表型預(yù)測遺傳學(xué)的臨床目的是提供診斷和預(yù)測疾病風(fēng)險。常見疾病中，使用相對簡單的統(tǒng)計方法來預(yù)測多基因風(fēng)險可以獲得對個人和臨床有用的風(fēng)險分級[35]。一些研究嘗試使用人工智能算法對人類特征進行基因組預(yù)測，通過大樣本的訓(xùn)練和測試，結(jié)果表明模型在身高基因組預(yù)測方面能夠提供相對準確的預(yù)測，并且，這些結(jié)果已經(jīng)通過全基因組關(guān)聯(lián)研究中的其他數(shù)據(jù)集和單核苷酸多態(tài)性進行樣本外驗證[36]。通過綜合非遺傳風(fēng)險因素和遺傳數(shù)據(jù)，BOADICEA(Breast and Ovarian Analysis of Disease Incidence and Carrier Estimation Algorithm)模型得到優(yōu)化，乳腺癌和卵巢癌風(fēng)險預(yù)測的準確性也得到顯著提高，使得一般人群和有家族史的女性的風(fēng)險分層水平變高，該結(jié)果有助于促進危險人群的預(yù)防性治療和篩查個性化[37]。

藥物作用及不良反應(yīng)預(yù)測CDRscan(Cancer Drug Response profile scan)是一種采用兩層卷積結(jié)構(gòu)的深度學(xué)習(xí)模型，該模型基于787種人類腫瘤細胞系基因組信息和244種藥物結(jié)構(gòu)特征，被用于預(yù)測抗癌藥物的有效性。將CDRscan應(yīng)用于已經(jīng)批準的1487種藥物，訓(xùn)練后的結(jié)果表明14種腫瘤藥物和23種非腫瘤藥物具有潛在的腫瘤適應(yīng)證，通過進一步的基礎(chǔ)實驗和臨床驗證有望開發(fā)出更多的抗癌藥物[38]。2019年，Chiu等[39]提出第1個深度神經(jīng)網(wǎng)絡(luò)模型，在622個癌細胞株上進行訓(xùn)練和驗證，最終模型預(yù)測了33種癌癥類型中9059例腫瘤的藥物反應(yīng)，還提出了新的耐藥機制和藥物靶點。研究者們利用1001個癌細胞株藥物基因組學(xué)數(shù)據(jù)，對深度神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練和優(yōu)化，以提高模型預(yù)測癌癥患者的藥物反應(yīng)的準確性，從而為患者提供最佳的個體化治療方案[40]。RefDNN是一種新提出來的深度學(xué)習(xí)模型，被用于抗癌藥物的耐藥性預(yù)測及藥物反應(yīng)相關(guān)標志物的識別。在大多數(shù)實驗中RefDNN優(yōu)于現(xiàn)有模型，而且對于未接受訓(xùn)練的藥物和癌癥類型的預(yù)測，該模型也優(yōu)于傳統(tǒng)的機器學(xué)習(xí)模型[41]。

由于藥物與靶點的多維度，傳統(tǒng)學(xué)習(xí)方法難以提取其重要特征，而深度學(xué)習(xí)的加入和運用有望帶來重大突破。在現(xiàn)有乳腺癌藥物中，運用深度學(xué)習(xí)的方法，收集蛋白序列數(shù)據(jù)、蛋白結(jié)構(gòu)域信息和目前已知的藥物靶標相互作用(drug-target interactions，DTIs)，經(jīng)過訓(xùn)練、驗證和比較，最終得到LASSO-DNN模型以預(yù)測DTIs。LASSO-DNN模型可以從大規(guī)模基因組研究中發(fā)現(xiàn)疾病相關(guān)風(fēng)險基因是潛在的藥物靶點，這便于藥物的再利用[42]。在幾種計算模型中，常規(guī)的蛋白質(zhì)結(jié)構(gòu)均不能提供足夠的信息，這導(dǎo)致預(yù)測的DTIs準確性不高。研究者們通過對不同長度的氨基酸序列進行卷積而獲得不同的蛋白質(zhì)殘基形式，并用于模型的訓(xùn)練，優(yōu)化后的模型不僅提高了DTIs預(yù)測準確性，還可以檢測DTIs的結(jié)合位點[43]。除了已知的DTIs，還有很多未知的DTIs需要研究和探索。DeepACTION是一種新提出的深度學(xué)習(xí)模型，能夠預(yù)測大量新的DTIs，而且可以提供相互作用的詳細信息以便于科學(xué)家開發(fā)藥物[44]。

不足和展望

人工智能具備處理復(fù)雜和多模態(tài)的大數(shù)據(jù)的能力，使得生物信息學(xué)方法發(fā)生了質(zhì)的飛躍，遺傳學(xué)家、臨床醫(yī)生可以對測序結(jié)果有更清楚和準確的認識。近年人工智能在臨床基因組學(xué)的特定任務(wù)中表現(xiàn)出更高的準確度。然而，人工智能在基因組學(xué)中的應(yīng)用目前還處于初期階段，還存在諸多問題與不足，如模型可解釋性、維度災(zāi)難、數(shù)據(jù)不平衡、數(shù)據(jù)異質(zhì)性、參數(shù)和超參數(shù)調(diào)優(yōu)等[45]。因此，需要研究者們不斷開發(fā)、優(yōu)化新的模型和方法，使基因組信息在臨床中得到有效利用。