• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    組學(xué)大數(shù)據(jù)和醫(yī)學(xué)人工智能

    2021-11-01 10:25:02王昕玥渠鴻竹方向東
    遺傳 2021年10期
    關(guān)鍵詞:人工智能

    王昕玥,渠鴻竹,方向東

    綜述

    組學(xué)大數(shù)據(jù)和醫(yī)學(xué)人工智能

    王昕玥1,2,3,渠鴻竹1,2,3,方向東1,2,3

    1. 中國(guó)科學(xué)院北京基因組研究所(國(guó)家生物信息中心),中國(guó)科學(xué)院基因組科學(xué)與信息重點(diǎn)實(shí)驗(yàn)室,北京 100101 2. 中國(guó)科學(xué)院大學(xué),北京 100049 3. 中國(guó)科學(xué)院北京基因組研究所(國(guó)家生物信息中心),基因組與精準(zhǔn)醫(yī)學(xué)檢測(cè)技術(shù)北京市重點(diǎn)實(shí)驗(yàn)室,北京 100101

    隨著高通量測(cè)序技術(shù)和計(jì)算機(jī)科學(xué)的飛速發(fā)展,組學(xué)數(shù)據(jù)量指數(shù)倍增長(zhǎng),多組學(xué)分析優(yōu)勢(shì)逐漸顯現(xiàn),人工智能應(yīng)用也愈加廣泛。本文介紹了近年來(lái)多組學(xué)數(shù)據(jù)分析和人工智能各自在醫(yī)學(xué)領(lǐng)域的應(yīng)用進(jìn)展,同時(shí)也介紹了兩者相結(jié)合應(yīng)用的案例以及優(yōu)勢(shì),最后簡(jiǎn)單闡述多組學(xué)分析和人工智能在現(xiàn)階段面臨的挑戰(zhàn),旨在為醫(yī)學(xué)行業(yè)提供新的研究思路,助推精準(zhǔn)醫(yī)學(xué)發(fā)展應(yīng)用。

    多組學(xué);人工智能;醫(yī)學(xué);精準(zhǔn)醫(yī)學(xué)

    隨著5G技術(shù)的成熟,大數(shù)據(jù)、物聯(lián)網(wǎng)、云計(jì)算等也在快速發(fā)展,社會(huì)逐漸從信息時(shí)代進(jìn)入智能時(shí)代,各行各業(yè)也都在爭(zhēng)相推進(jìn)智能化的腳步。在醫(yī)療行業(yè)中,醫(yī)學(xué)影像、病患信息等數(shù)據(jù)海量且復(fù)雜,人工整理或解讀效率低下,而人工智能可以快速精確地處理大數(shù)據(jù),并挖掘其背后的潛在信息。與此同時(shí),隨著高通量測(cè)序技術(shù)的發(fā)展,單組學(xué)分析技術(shù)日益成熟與完善,而多組學(xué)大數(shù)據(jù)的整合分析,已成為研究者們探索生命機(jī)制的新方向,在此大背景下,結(jié)合組學(xué)數(shù)據(jù)的醫(yī)療行業(yè)的智能化發(fā)展建設(shè)已成必然趨勢(shì)。本文介紹了近年來(lái)多組學(xué)整合分析和人工智能在醫(yī)學(xué)領(lǐng)域中各自的應(yīng)用以及結(jié)合應(yīng)用的最新研究成果。

    1 組學(xué)和人工智能的概念

    組學(xué)(omics)主要包括基因組學(xué)(genomics)、轉(zhuǎn)錄組學(xué)(transcriptomics)、表觀組學(xué)(epigenomics)、蛋白組學(xué)(proteomics),代謝組學(xué)(metabolomics),脂類組學(xué)(lipidomics),免疫組學(xué)(immunomics),糖組學(xué)(glycomics)等,是各類組學(xué)的統(tǒng)稱。每一類組學(xué)為此類特征的系統(tǒng)集合,比如第一個(gè)被定義的基因組學(xué),是對(duì)一個(gè)生物體所有基因進(jìn)行集體表征和量化,并研究它們之間的相互關(guān)系及對(duì)生物體的影響。目前,單一組學(xué)的研究比較成熟,但挖掘到的數(shù)據(jù)信息受限,只能在某一層面解釋特征與目標(biāo)疾病的相關(guān)性,無(wú)法探究因果關(guān)系。多組學(xué)的整合分析,可使人們更宏觀地了解到目標(biāo)疾病的全貌,理解目標(biāo)疾病的發(fā)生發(fā)展機(jī)制,為攻克疑難雜癥提供更全面的信息[1]。

    人工智能(artificial intelligence, AI)是研究、開(kāi)發(fā)用于模擬、延伸和擴(kuò)展人的智能的理論、方法、技術(shù)及應(yīng)用系統(tǒng)的一門(mén)新的技術(shù)科學(xué)[2]。1950年,“人工智能之父”圖靈提出計(jì)算機(jī)是否擁有人類智能這一問(wèn)題。1956年,美國(guó)達(dá)特茅斯會(huì)議首次提出“人工智能”這一術(shù)語(yǔ),標(biāo)志著人工智能這一新興學(xué)科的正式誕生。其本質(zhì)是通過(guò)大量的樣本訓(xùn)練來(lái)模擬人腦的思維方式,或用以執(zhí)行人類的行為活動(dòng)。其研究涵蓋領(lǐng)域十分廣泛,主要分為自然語(yǔ)言處理、機(jī)器學(xué)習(xí)(machine learning, ML)、機(jī)器人、計(jì)算機(jī)視覺(jué)、語(yǔ)言圖像識(shí)別和知識(shí)圖譜六大方向。目前,專家系統(tǒng)、護(hù)理機(jī)器人、手術(shù)機(jī)器人、計(jì)算機(jī)輔助診斷等產(chǎn)品都在醫(yī)療行業(yè)中起著重要作用[3]。

    機(jī)器學(xué)習(xí)是一種可用于實(shí)現(xiàn)人工智能的方法,其傳統(tǒng)的算法包括決策樹(shù)、邏輯回歸、聚類、隨機(jī)森林、支持向量機(jī)、深度學(xué)習(xí)等[4]。從方法上來(lái)分,機(jī)器學(xué)習(xí)算法可以分為監(jiān)督學(xué)習(xí)、無(wú)監(jiān)督學(xué)習(xí)、半監(jiān)督學(xué)習(xí)、深度學(xué)習(xí)和強(qiáng)化學(xué)習(xí)。其中,深度學(xué)習(xí)(deep learning, DL)是建立于模擬人腦進(jìn)行分析學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò),典型的深度學(xué)習(xí)模型有循環(huán)神經(jīng)網(wǎng)絡(luò)、遞歸神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)、深度信任網(wǎng)絡(luò)、生成式對(duì)抗網(wǎng)絡(luò)和自編碼器等。人工智能、機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的關(guān)系如圖1所示。

    2 組學(xué)大數(shù)據(jù)與人工智能在醫(yī)學(xué)中的應(yīng)用

    2.1 多組學(xué)在醫(yī)學(xué)中的應(yīng)用

    隨著測(cè)序技術(shù)的發(fā)展及組學(xué)新技術(shù)的不斷涌現(xiàn),不同種類的組學(xué)數(shù)據(jù)指數(shù)級(jí)增長(zhǎng),對(duì)多組學(xué)大數(shù)據(jù)的整合分析,已成為科學(xué)家探索生命機(jī)制和疾病演變的新方向。

    通過(guò)DNA甲基化和基因表達(dá)數(shù)據(jù)的整合分析,可以鑒定疾病發(fā)生發(fā)展相關(guān)的分子標(biāo)志物。Mens等[5]使用了來(lái)自大規(guī)模全基因組關(guān)聯(lián)研究(genome- wide association study, GWAS)的公開(kāi)數(shù)據(jù)來(lái)搜索與各種心臟代謝特征相關(guān)的miRNA相關(guān)序列的遺傳變異,包括脂質(zhì)和肥胖相關(guān)特征、血糖指數(shù)、血壓、2型糖尿病(type 2 diabetes, T2D)和冠心病(coro-nary heart disease, CHD)患病率,發(fā)現(xiàn)了67個(gè)已鑒定miRNA中的180個(gè)SNP與心臟代謝特征相關(guān)。然后,文章使用鹿特丹研究(The Rotterdam Study)參與者的DNA甲基化和miRNA表達(dá)數(shù)據(jù)進(jìn)一步研究相關(guān)miRNA與心臟代謝特征之間的聯(lián)系,其中38個(gè)miRNA的CpG位點(diǎn)的DNA甲基化水平與研究性狀相關(guān)。此外作者從67個(gè)已鑒定miRNA中進(jìn)一步發(fā)現(xiàn)了與研究性狀相關(guān)的8個(gè)miRNA。整合不同組學(xué)結(jié)果表明miR-10b-5p、miR-148a-3p、miR-125b-5p和miR-100-5p與心臟代謝的脂質(zhì)性狀密切相關(guān),這些可以被視為潛在的2型糖尿病和冠心病早期診斷或進(jìn)展的生物標(biāo)志物。

    圖1 人工智能、機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的關(guān)系示意圖

    Yuan等[6]使用多個(gè)項(xiàng)目的轉(zhuǎn)錄組和/或DNA甲基化數(shù)據(jù)證明了45種結(jié)直腸癌(colorectal cancer, CRC)變體中29種的易感性可能是由基因調(diào)節(jié)的順式作用介導(dǎo)的,并且確定了66個(gè)推測(cè)的易感基因。和通過(guò)破壞細(xì)胞行為(包括遷移、侵襲和上皮間質(zhì)轉(zhuǎn)化)在CRC的發(fā)生中起著至關(guān)重要的作用。

    以序列為中心的蛋白質(zhì)組、基因組和轉(zhuǎn)錄組數(shù)據(jù)的整合分析,可以為基因表達(dá)調(diào)控、信號(hào)網(wǎng)絡(luò)、疾病亞型和臨床預(yù)測(cè)提供新的見(jiàn)解。Cohen等[7]結(jié)合游離DNA突變和循環(huán)蛋白質(zhì)生物標(biāo)志物開(kāi)發(fā)了一種新的基于血液的預(yù)測(cè)方法CancerSEEK,不僅可以實(shí)現(xiàn)癌癥早診,還可以定位這些癌癥的起源器官。研究將CancerSEEK應(yīng)用于1 005名患有卵巢癌、肝癌、胃癌、胰腺癌、食道癌、結(jié)直腸癌、肺癌或乳腺癌的患者上,能夠定位癌癥的起源器官并鑒定出5種腫瘤類型(卵巢癌、肝癌、胃癌、胰腺癌和食道癌)的早期存在,其靈敏度介于69%~98%,特異性為99%。

    Yang等[8]為了確定早期結(jié)CRC的潛在靶點(diǎn),對(duì)來(lái)自II期CRC患者進(jìn)行了無(wú)標(biāo)記蛋白質(zhì)組學(xué)分析,共鑒定出2 968種蛋白質(zhì),再?gòu)陌┌Y基因組圖譜(The Cancer Genome Atlas, TCGA)結(jié)腸腺癌庫(kù)中檢索到相應(yīng)的RNA測(cè)序數(shù)據(jù),篩選出111種關(guān)鍵候選蛋白,最終由病理圖像數(shù)據(jù)確定了三個(gè)潛在靶點(diǎn):蛋白質(zhì)精氨酸脫亞胺酶2 (PADI2)、IgG結(jié)合蛋白的Fc片段(FCGBP)和磷酸絲氨酸轉(zhuǎn)氨酶1。

    肉瘤代表一組高度組織學(xué)和分子異質(zhì)性的罕見(jiàn)惡性腫瘤,預(yù)后較差。 Zhang等[9]從癌癥蛋白質(zhì)組圖譜(The Cancer Proteome Atlas, TCPA)上下載了肉瘤患者的蛋白質(zhì)組表達(dá)譜以及臨床信息,發(fā)現(xiàn)55種蛋白質(zhì)與患者的總生存期(overall survival, OS)相關(guān)?;诘鞍踪|(zhì)組學(xué)特征開(kāi)發(fā)了肉瘤患者的預(yù)后模型,模型包括七種蛋白:AMPKALPHA、CHK1、S6、ARID1A、RBM15、ACETYLATUBULINLYS40和MSH6。再使用TCGA中肉瘤患者的轉(zhuǎn)錄組數(shù)據(jù)集驗(yàn)證預(yù)后模型的性能,證明模型可能是指導(dǎo)臨床實(shí)踐的有效工具。

    這些研究表明,多組學(xué)大數(shù)據(jù)的集成為了解跨細(xì)胞組織多個(gè)層面的因果關(guān)系提供了機(jī)會(huì),在醫(yī)學(xué)領(lǐng)域應(yīng)用中具有巨大潛力,可以得到比單組學(xué)分析更全面,更精確的結(jié)果。

    2.2 人工智能在醫(yī)學(xué)中的應(yīng)用

    2.2.1 人工智能在影像中的應(yīng)用

    醫(yī)學(xué)影像主要包括醫(yī)學(xué)影像計(jì)算機(jī)斷層掃描(computer tomography, CT)、磁共振成像(magnetic resonance imaging, MRI)、正電子發(fā)射計(jì)算機(jī)斷層顯像(positron emission tomography-computer tomog-raphy, PET-CT)、X射線、超聲等技術(shù)[10]。人工智能在醫(yī)學(xué)影像上已經(jīng)應(yīng)用到圖像分割、圖像分類、圖像配準(zhǔn)和目標(biāo)檢測(cè)等場(chǎng)景中[11],其可以實(shí)現(xiàn)圖像質(zhì)量的改善提升,且對(duì)于理解圖像信息,輔助診斷分類都起著極大的作用,還可以迅速完成圖像分割配準(zhǔn)等更高級(jí)的操作。

    在圖像配準(zhǔn)方面,De Silva等[12]使用了一種可以縱向?qū)R多模態(tài)視網(wǎng)膜圖象的深度學(xué)習(xí)配準(zhǔn)算法。在彩色眼底照相(color fundus photogra-phy, CFP)、眼底自發(fā)熒光(fundus autofluorescence, FAF)和紅外反射(infrared reflectance, IR)三種圖像模式實(shí)驗(yàn)中,單模態(tài)縱向配準(zhǔn)實(shí)驗(yàn)獲得54~59 μm的誤差,相較于傳統(tǒng)的配準(zhǔn)方法(平均誤差在39~53 μm范圍內(nèi)),展示出了更高的準(zhǔn)確性。對(duì)于多模態(tài)橫斷面配準(zhǔn)實(shí)驗(yàn),該方法平均誤差在66~69 μm范圍內(nèi),而傳統(tǒng)方法則錯(cuò)誤頗多。在圖像分類方面,Jiang等[13]對(duì)111例乳房動(dòng)態(tài)對(duì)比材料增強(qiáng)(dynamic contrast material-enhanced, DCE)MRI檢查的圖像分別通過(guò)傳統(tǒng)的計(jì)算機(jī)輔助評(píng)估軟件和AI進(jìn)行分類測(cè)試,發(fā)現(xiàn)使用AI方法圖像分類準(zhǔn)確性更高,平均AUC從0.71提高到0.76。在圖像分割方面,Hoseini等[14]提出了一種大容量深度卷積神經(jīng)網(wǎng)絡(luò)(deep convolutional neural network, DCNN)的方法,可以更準(zhǔn)確,更快速地分割腦部MRI圖像,在BraTS2016腦腫瘤數(shù)據(jù)集的完整區(qū)域、核心區(qū)域和增強(qiáng)區(qū)域的準(zhǔn)確性分別為0.90、0.85和0.84。

    2.2.2 人工智能在癌癥研究中的應(yīng)用

    人工智能在腫瘤學(xué)研究的各個(gè)方面的應(yīng)用增長(zhǎng)迅速,應(yīng)用范圍包括癌癥風(fēng)險(xiǎn)預(yù)測(cè)、癌癥檢測(cè)和分類分期、癌癥藥物發(fā)現(xiàn)和再利用、預(yù)后分析等,有助于醫(yī)生為每位患者制定高度個(gè)性化的癌癥預(yù)防和治療計(jì)劃。

    對(duì)于癌癥診斷,主要是對(duì)癌癥患者的圖像和非癌性病變的影像學(xué)圖像利用人工智能方法提取差異特征,構(gòu)建診斷模型。Jeyaraj等[15]開(kāi)發(fā)了一種具有兩個(gè)分層的新結(jié)構(gòu)深度卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network, CNN),分析樣本多維高光譜圖像輔助口腔癌診斷,準(zhǔn)確度為94.5%。Luo等[16]利用1 036 496個(gè)內(nèi)窺鏡圖像開(kāi)發(fā)了一種胃腸道人工智能診斷系統(tǒng)(GRAIDS),經(jīng)外部驗(yàn)證和與專業(yè)內(nèi)鏡醫(yī)師的診斷結(jié)果比較,GRAIDS表現(xiàn)出良好的診斷性能,其準(zhǔn)確性為0.915~0.977,靈敏度為0.942,堪比專業(yè)內(nèi)鏡醫(yī)師(0.945)。Li等[17]開(kāi)發(fā)了一個(gè)基于CNN的新模型來(lái)分析窄帶成像放大內(nèi)窺鏡(magnifying endoscopy with narrow band imaging, M-NBI)觀察到的胃粘膜病變圖像,用于胃癌的早期診斷,該模型準(zhǔn)確率、敏感性和特異性分別為90.91%、91.18%和90.64%,其中敏感性顯著高于專家組判定,準(zhǔn)確率和特異性與專家組未有差異。同樣,基于4204張影像利用CNN方法建立的黑色素瘤診斷模型,靈敏度、特異性都超過(guò)了皮膚科醫(yī)生的檢驗(yàn)結(jié)果[18],表明了人工智能在大數(shù)據(jù)時(shí)代的優(yōu)越性。

    在風(fēng)險(xiǎn)預(yù)測(cè)方面,人工智能可輔助醫(yī)生決策,降低患者就醫(yī)成本,提高其生活質(zhì)量。Kudo等[19]使用僅接受內(nèi)鏡切除術(shù)或T1 CRC手術(shù)切除術(shù)的入選患者的臨床病理記錄,構(gòu)建了一個(gè)T1大腸癌淋巴結(jié)轉(zhuǎn)移風(fēng)險(xiǎn)的人工智能預(yù)測(cè)模型(artificial neural network, ANN),該模型(AUC=0.84)在識(shí)別初次內(nèi)鏡手術(shù)切除后的轉(zhuǎn)移淋巴結(jié)風(fēng)險(xiǎn)上效果明顯優(yōu)于美國(guó)指南(AUC=0.77),為T(mén)1期大腸癌患者是否進(jìn)行淋巴結(jié)清除手術(shù),提供了輔助預(yù)測(cè)手段。

    腫瘤的分級(jí)用于評(píng)價(jià)惡性腫瘤侵襲轉(zhuǎn)移的程度,指導(dǎo)臨床治療和患者預(yù)后管理。Bulten等[20]使用患者穿刺活檢切片和病理報(bào)告開(kāi)發(fā)了一項(xiàng)可根據(jù)Gleason評(píng)分標(biāo)準(zhǔn)對(duì)前列腺活檢樣本分級(jí)評(píng)分的深度學(xué)習(xí)系統(tǒng),這個(gè)系統(tǒng)在診斷和分級(jí)方面性能卓越,區(qū)分惡性腫瘤的AUC為0.990,判斷≥2級(jí)和≥3級(jí)的AUC分別為0.978和0.974,該系統(tǒng)對(duì)100份活檢樣本的分級(jí)結(jié)果(kappa=0.854)優(yōu)于專家判定(kappa= 0.819),可降低人工判定帶來(lái)的主觀性錯(cuò)誤并節(jié)約時(shí)間成本。

    在預(yù)后分析方面,人工智能也表現(xiàn)出良好的預(yù)測(cè)效果, Arya等[21]提出了一個(gè)兩階段的人類乳腺癌預(yù)后預(yù)測(cè)多模式模型,即第一階段使用卷積神經(jīng)網(wǎng)絡(luò)提取特征,第二階段輸入提取的特征進(jìn)而在基于堆棧的集成模型中得到分類結(jié)果,該集成模型的結(jié)果比現(xiàn)有的多模式CNN方法更好(AUC=0.93,準(zhǔn)確度為90.2%)。

    2.2.3 人工智能在輔助醫(yī)學(xué)上的應(yīng)用

    人工智能還能輔助醫(yī)生做一些識(shí)別、監(jiān)控管理疾病的工作,將人工智能的數(shù)據(jù)整合、分析與判斷能力與人類醫(yī)生的診療經(jīng)驗(yàn)相結(jié)合,提供輔助醫(yī)療的處理邏輯,分擔(dān)醫(yī)生壓力、提高工作效率。

    對(duì)于術(shù)后分析,F(xiàn)rit等[22]收集了來(lái)自醫(yī)療中心接受氣管插管手術(shù)的患者數(shù)據(jù)構(gòu)建了一個(gè)可以預(yù)測(cè)術(shù)后30天死亡率的多路徑卷積神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)模型,在納入的95,907名患者數(shù)據(jù)中,最終有941名患者在手術(shù)后1個(gè)月內(nèi)死亡。該模型預(yù)測(cè)術(shù)后30天死亡率結(jié)果AUC為0.867, 95%CI為0.835~0.899。

    對(duì)于監(jiān)控管理慢性病,以往用于測(cè)量視網(wǎng)膜血管口徑的方法離不開(kāi)人工操作,圖片質(zhì)量好壞直接影響測(cè)定時(shí)間長(zhǎng)短,且人工測(cè)量差異較大。為了提高效率,Cheung等[23]開(kāi)發(fā)了一種深度學(xué)習(xí)CNN模型(SIVA-DLS),可以全自動(dòng)地從視網(wǎng)膜照片中去測(cè)量視網(wǎng)膜血管的口徑,且結(jié)果與人工測(cè)量結(jié)果具有高度的一致性,相關(guān)系數(shù)在0.82~0.95之間。除此之外,該研究還證明了SIVA-DLS測(cè)量的視網(wǎng)膜血管口徑與心血管疾病有關(guān)。

    人工智能在醫(yī)學(xué)中的應(yīng)用如表1所示。除此之外,醫(yī)學(xué)領(lǐng)域的康復(fù)護(hù)理機(jī)器人在很大程度上也應(yīng)用了人工智能技術(shù),可以幫助行動(dòng)不便的病人日常生活和術(shù)后康復(fù)[3],也可以輔助醫(yī)生進(jìn)行手術(shù),提高醫(yī)療效率,節(jié)省醫(yī)療資源,應(yīng)用十分廣泛。

    2.3 組學(xué)大數(shù)據(jù)與人工智能的聯(lián)合應(yīng)用

    組學(xué)大數(shù)據(jù)和人工智能各自在醫(yī)學(xué)領(lǐng)域都發(fā)揮著巨大的潛能與優(yōu)勢(shì),兩者結(jié)合應(yīng)用,即高維數(shù)據(jù)集的可用性加上高性能計(jì)算機(jī)以及創(chuàng)新的機(jī)器學(xué)習(xí)架構(gòu)[24],不僅可以提高數(shù)據(jù)利用率,更能優(yōu)化單組學(xué)或非人工智能研究的結(jié)果。

    卵巢癌是女性生殖器官常見(jiàn)的惡性腫瘤之一,初始癥狀不明顯,很難及早發(fā)現(xiàn),復(fù)發(fā)率較高,治愈率較差,死亡率超過(guò)宮頸癌及子宮內(nèi)膜癌之和,高居?jì)D科癌癥首位。Hira等[25]開(kāi)發(fā)了基于可變自動(dòng)編碼器(variational autoencoder, VAE)改進(jìn)的最大平均差異VAE (maximum mean discrepancy-variational autoencoder, MMD-VAE)技術(shù),而后開(kāi)發(fā)了VAE和MMD-VAE的深度學(xué)習(xí)框架。VAE是一種訓(xùn)練被正則化以避免過(guò)度擬合,并確保潛在空間具有良好的特性來(lái)支持生成過(guò)程的自編碼器。MMD-VAE則是將VAE的損失函數(shù)替換成使用最大平均差異。通過(guò)單一組學(xué)(基因組、轉(zhuǎn)錄組、表觀組)、綜合二組學(xué)(基因組+轉(zhuǎn)錄組、表觀組+轉(zhuǎn)錄組、基因組+表觀組)和三組學(xué)(基因組+轉(zhuǎn)錄組+表觀組)的數(shù)據(jù)分析,研究卵巢癌的癌癥樣本識(shí)別、分子亞型聚類和分類以及生存分析。結(jié)果顯示,VAE和MMD-VAE優(yōu)于現(xiàn)有的降維(PCA、t-SNE)技術(shù),且在亞型聚類和分類以及生存分析中,綜合二組學(xué)和三組學(xué)的結(jié)果比基于單組學(xué)更好,且在多組學(xué)數(shù)據(jù)集分析中MMD-VAE性能比VAE更出色。

    Zhao等[26]構(gòu)建了一個(gè)可擴(kuò)展且可解釋的深度學(xué)習(xí)框架DeepOmix用來(lái)集成多組學(xué)數(shù)據(jù)和生存預(yù)測(cè),該團(tuán)隊(duì)使用突變、拷貝數(shù)變化、基因表達(dá)和DNA甲基化四種組學(xué)數(shù)據(jù),將DeepOmix應(yīng)用在八個(gè)不同的癌癥(膀胱尿路上皮癌、乳腺浸潤(rùn)癌、頭頸部鱗狀細(xì)胞癌、低級(jí)別膠質(zhì)瘤、腎透明細(xì)胞癌、肺腺癌、卵巢漿液性囊腺癌和胃腺癌)數(shù)據(jù)集的預(yù)后分析,經(jīng)與其他五種最新方法(BLockForest、DeepHit、DeepSurv、glmBoost、IPF_LASSO)比較,在其中的六個(gè)數(shù)據(jù)集中,DeepOmix的預(yù)后預(yù)測(cè)結(jié)果表現(xiàn)均為最佳。文章中還提到DeepOmix除了可以使用四種類型的組學(xué)數(shù)據(jù)之外,還可以集成更復(fù)雜的蛋白質(zhì)數(shù)據(jù)。

    表1 人工智能在醫(yī)學(xué)中的應(yīng)用

    Xu等[27]提出了一種新的分層集成深度靈活神經(jīng)森林框架(HI-DFNForest),集成多組學(xué)數(shù)據(jù)用于腫瘤亞型分類。文章針對(duì)乳腺浸潤(rùn)性癌、多形性膠質(zhì)母細(xì)胞瘤和卵巢癌三種腫瘤,分別使用 DNA 甲基化數(shù)據(jù)、miRNA表達(dá)數(shù)據(jù)、基因表達(dá)數(shù)據(jù)或者將三類數(shù)據(jù)整合來(lái)進(jìn)行亞型分類。結(jié)果顯示無(wú)論在哪種腫瘤數(shù)據(jù)集中,多組學(xué)整合數(shù)據(jù)分類的準(zhǔn)確性(分別為0.846、0.885、0.840)都高于單組學(xué)(DNA甲基化:0.731、0.596、0.640;miRNA表達(dá):0.769、0.539、0.640;基因表達(dá):0.808、0.865、0.760)。

    多組學(xué)分析產(chǎn)生的數(shù)據(jù)較之單一組學(xué)分析更多更復(fù)雜,針對(duì)具體的生物醫(yī)學(xué)科學(xué)問(wèn)題,多組學(xué)也可以憑借多維度多角度的優(yōu)勢(shì)更為全面地解釋該問(wèn)題。所以多組學(xué)相較單組學(xué)更為需要人工智能的輔助。而將人工智能技術(shù)應(yīng)用于多組學(xué)大數(shù)據(jù)上,將會(huì)是實(shí)現(xiàn)精準(zhǔn)醫(yī)療和個(gè)性化醫(yī)療的重要步驟。現(xiàn)有研究表明多組學(xué)數(shù)據(jù)與人工智能結(jié)合應(yīng)用,結(jié)果會(huì)更優(yōu)于單組學(xué)分析。

    3 醫(yī)學(xué)應(yīng)用的挑戰(zhàn)

    大數(shù)據(jù)產(chǎn)業(yè)的發(fā)展和人工智能的興起,促進(jìn)了數(shù)據(jù)量的增長(zhǎng)。國(guó)家政策的扶持,為組學(xué)大數(shù)據(jù)和人工智能的發(fā)展帶來(lái)了前所未有的機(jī)遇,同時(shí)也面臨諸多挑戰(zhàn)。

    大規(guī)模各種組學(xué)數(shù)據(jù)的產(chǎn)生,為疾病的發(fā)病機(jī)制的研究,提供了豐富的數(shù)據(jù)資源。但是組學(xué)數(shù)據(jù)的分析由于缺乏統(tǒng)一的標(biāo)準(zhǔn),根據(jù)不同流程,產(chǎn)生不同的結(jié)果,導(dǎo)致數(shù)據(jù)整合過(guò)程艱難復(fù)雜;不同種類組學(xué)數(shù)據(jù)質(zhì)量參差不齊,由于某些組學(xué)技術(shù)還處于初步發(fā)展階段,檢測(cè)方法尚不成熟,導(dǎo)致數(shù)據(jù)質(zhì)量差;組學(xué)數(shù)據(jù)種類多,亟需開(kāi)發(fā)相互整合的分析技術(shù);組學(xué)數(shù)據(jù)由于在機(jī)構(gòu)、醫(yī)院之間分散保存,缺乏有效的集成技術(shù),阻礙了利用大批量的數(shù)據(jù)進(jìn)行人工智能的訓(xùn)練測(cè)試。

    人工智能應(yīng)用于醫(yī)學(xué)研究同樣面臨多方面的挑戰(zhàn)?,F(xiàn)下研究多為監(jiān)督學(xué)習(xí),但是無(wú)監(jiān)督學(xué)習(xí)更貼近人工智能,大量的數(shù)據(jù)集還需要熟練的醫(yī)生來(lái)進(jìn)行標(biāo)注,此過(guò)程需要耗費(fèi)大量的人力物力精力[28]。人工智能計(jì)算過(guò)程不透明,“黑箱”的可解釋性不強(qiáng)[29],在醫(yī)院層面存在責(zé)任劃分歸屬問(wèn)題。并且各家醫(yī)院之間信息共享率低,開(kāi)發(fā)出來(lái)的人工智能算法不一定具有普遍適應(yīng)性。此外,隨著越來(lái)越多人工智能產(chǎn)品投入臨床使用,數(shù)據(jù)安全形勢(shì)逐漸嚴(yán)峻,病人的隱私保護(hù)問(wèn)題凸顯,要開(kāi)發(fā)相應(yīng)技術(shù)并且具備相應(yīng)的法律法規(guī)和倫理規(guī)范去約束管制[30]。

    4 結(jié)語(yǔ)與展望

    組學(xué)大數(shù)據(jù)和人工智能相輔相成,組學(xué)大數(shù)據(jù)的增長(zhǎng)與整合使得臨床對(duì)人工智能的需求日益增大,而人工智能的發(fā)展又可以很好地利用組學(xué)大數(shù)據(jù)推動(dòng)醫(yī)療行業(yè)的發(fā)展。雖存在諸多問(wèn)題,但前景一片廣闊,加之機(jī)遇良多,因此,更需要從國(guó)家政府到企業(yè)研究機(jī)構(gòu)再到醫(yī)護(hù)人員與病患的一致合作,為未來(lái)精準(zhǔn)醫(yī)學(xué)和個(gè)性化醫(yī)學(xué)的實(shí)現(xiàn)打下堅(jiān)實(shí)基礎(chǔ)。

    [1] 安紹維. 多組學(xué)大數(shù)據(jù)整合分析推動(dòng)人類未來(lái)的健康發(fā)展. 張江科技評(píng)論, 2019, (6): 12–14.

    [2] Yu YZ, Shi DJ, Ma JC, Zhou Z. Advances in application of artificial intelligence in medical image analysis., 2019, 35(12): 1808–1812.

    俞益洲, 石德君, 馬杰超, 周振. 人工智能在醫(yī)學(xué)影像分析中的應(yīng)用進(jìn)展. 中國(guó)醫(yī)學(xué)影像技術(shù), 2019, 35(12): 1808–1812.

    [3] 李賀. 人工智能在醫(yī)學(xué)領(lǐng)域中的應(yīng)用研究. 科技風(fēng), 2020, (17): 7.

    [4] Zhao XT, Yang YD, Qu HZ, Fang XD. Applications of machine learning in clinical decision support in the omic era., 2018, 40(9): 693–703.

    趙學(xué)彤, 楊亞?wèn)|, 渠鴻竹, 方向東. 組學(xué)時(shí)代下機(jī)器學(xué)習(xí)方法在臨床決策支持中的應(yīng)用. 遺傳, 2018, 40(9): 693–703.

    [5] Mens MMJ, Maas SCE, Klap J, Weverling GJ, Klatser P, Brakenhoff JPJ, van Meurs JBJ, Uitterlinden AG, Ikram MA, Kavousi M, Ghanbari M. Multi-omics analysis reveals microRNAs associated with cardiometabolic traits., 2020, 11: 110.

    [6] Yuan Y, Bao JD, Chen ZS, Villanueva AD, Wen WQ, Wang FQ, Zhao DJ, Fu XH, Cai QY, Long JR, Shu XO, Zheng DY, Moreno V, Zheng W, Lin WQ, Guo XY. Multi-omics analysis to identify susceptibility genes for colorectal cancer., 2021, 30(5): 321–330.

    [7] Cohen JD, Li L, Wang YX, Thoburn C, Afsari B, Danilova L, Douville C, Javed AA, Wong F, Mattox A, Hruban RH, Wolfgang CL, Goggins MG, Molin MD, Wang TL, Roden R, Klein AP, Ptak J, Dobbyn L, Schaefer J, Silliman N, Popoli M, Vogelstein JT, Browne JD, Schoen RE, Brand RE, Tie J, Gibbs P, Wong HL, Mansfield AS, Jen J, Hanash SM, Falconi M, Allen PJ, Zhou SB, Bettegowda C, Diaz LA, Tomasetti C, Kinzler KW, Vogelstein B, Lennon AM, Papadopoulos N. Detection and localization of surgically resectable cancers with a multi-analyte blood test., 2018, 359(6378): 926–930.

    [8] Yang W, Shi J, Zhou Y, Liu TJ, Zhan FL, Zhang K, Liu N. Integrating proteomics and transcriptomics for the identification of potential targets in early colorectal cancer., 2019, 55(2): 439–450.

    [9] Zhang BY, Yang L, Wang X, Fu DG. Identification of a survival-related signature for sarcoma patients through integrated transcriptomic and proteomic profiling analyses., 2021, 764: 145105.

    [10] Han D, Li QH, Cai W, Xia YW, Ning J, Huang F. Research and application of artificial intelligence in medical imaging., 2019, 5(1): 39–67.

    韓冬, 李其花, 蔡巍, 夏雨薇, 寧佳, 黃峰. 人工智能在醫(yī)學(xué)影像中的研究與應(yīng)用. 大數(shù)據(jù), 2019, 5(1): 39–67.

    [11] Wang Y, Li CF. The new research progress of artificial intelligent methods in medical image processing., 2013, 30(3): 4138–4143.

    王弈, 李傳富. 人工智能方法在醫(yī)學(xué)圖像處理中的研究新進(jìn)展. 中國(guó)醫(yī)學(xué)物理學(xué)雜志, 2013, 30(03): 4138–4143.

    [12] De Silva T, Chew EY, Hotaling N, Cukras CA. Deep- learning based multi-modal retinal image registration for the longitudinal analysis of patients with age-related macular degeneration., 2020, 12(1): 619–636.

    [13] Jiang YL, Edwards AV, Newstead GM. Artificial intelligence applied to breast MRI for improved diagnosis., 2021, 298(1): 38–46.

    [14] Hoseini F, Shahbahrami A, Bayat P. An efficient imple-mentation of deep convolutional neural networks for MRI segmentation., 2018, 31(5): 738–747.

    [15] Jeyaraj PR, Nadar ERS. Computer-assisted medical image classification for early diagnosis of oral cancer employing deep learning algorithm., 2019, 145(4): 829–837.

    [16] Luo HY, Xu GL, Li CF, He LJ, Luo LN, Wang ZX, Jing BZ, Deng YS, Jin Y, Li Y, Li B, Tan WC, He CS, Seeruttun SR, Wu QB, Huang J, Huang DW, Chen B, Lin SB, Chen QM, Yuan CM, Chen HX, Pu HY, Zhou F, He Y, Xu RH. Real-time artificial intelligence for detection of upper gastrointestinal cancer by endoscopy: a multicentre, case-control, diagnostic study., 2019, 20(12): 1645–1654.

    [17] Li L, Chen YS, Shen Z, Zhang XQ, Sang JZ, Ding Y, Yang XY, Li J, Chen M, Jin CH, Chen CL, Yu CH. Convolutional neural network for the diagnosis of early gastric cancer based on magnifying narrow band imaging., 2020, 23(1): 126–132.

    [18] Brinker TJ, Hekler A, Enk AH, Berking C, Haferkamp S, Hauschild A, Weichenthal M, Klode J, Schadendorf D, Holland-Letz T, von Kalle C, Fr?hling S, Schilling B, Utikal JS. Deep neural networks are superior to derma-tologists in melanoma image classification., 2019, 119: 11–17.

    [19] Kudo SE, Ichimasa K, Villard B, Mori Y, Misawa M, Saito S, Hotta K, Saito Y, Matsuda T, Yamada K, Mitani T, Ohtsuka K, Chino A, Ide D, Imai K, Kishida Y, Nakamura K, Saiki Y, Tanaka M, Hoteya S, Yamashita S, Kinugasa Y, Fukuda M, Kudo T, Miyachi H, Ishida F, Itoh H, Oda M, Mori K. Artificial intelligence system to determine risk of T1 colorectal cancer metastasis to lymph node., 2021, 160(4): 1075–1084.e2.

    [20] Bulten W, Pinckaers H, van Boven H, Vink R, de Bel T, van Ginneken B, van der Laak J, Hulsbergen-van de Kaa C, Litjens G. Automated deep-learning system for Gleason grading of prostate cancer using biopsies: a diagnostic study., 2020, 21(2): 233–241.

    [21] Arya N, Saha S. Multi-modal classification for human breast cancer prognosis prediction: Proposal of deep- learning based stacked ensemble model., 2020, doi: 10.1109/TCBB.2020. 3018467.

    [22] Fritz BA, Cui ZC, Zhang MH, He YJ, Chen YX, Kronzer A, Abdallah AB, King CR, Avidan MS. Deep-learning model for predicting 30-day postoperative mortality., 2019, 123(5): 688–695.

    [23] Cheung CY, Xu DJ, Cheng CY, Sabanayagam C, Tham YC, Yu M, Rim TH, Chai CY, Gopinath B, Mitchell P, Poulton R, Moffitt TE, Caspi A, Yam JC, Tham CC, Jonas JB, Wang YX, Song SJ, Burrell LM, Farouque O, Li LJ, Tan G, Ting DSW, Hsu W, Lee ML, Wong TY. A deep-learning system for the assessment of cardiovascular disease risk via the measurement of retinal-vessel calibre., 2021, 5(6): 498–508.

    [24] Bhinder B, Gilvary C, Madhukar NS, Elemento O. Artificial intelligence in cancer research and precision medicine., 2021, 11(4): 900–915.

    [25] Hira MT, Razzaque MA, Angione C, Scrivens J, Sawan S, Sarker M. Integrated multi-omics analysis of ovarian cancer using variational autoencoders., 2021, 11(1): 6265.

    [26] Zhao LH, Dong QY, Luo CL, Wu Y, Bu DC, Qi XN, Luo YF, Zhao Y. DeepOmix: A scalable and interpretable multi-omics deep learning framework and application in cancer survival analysis., 2021, 19: 2719–2725.

    [27] Xu J, Wu P, Chen YH, Meng QF, Dawood H, Dawood H. A hierarchical integration deep flexible neural forest framework for cancer subtype classification by integrating multi-omics data., 2019, 20(1): 527.

    [28] Liu FW, Li HJ, Zhang YH, Li RS, Wang ZS, Tang XY. Application of artificial intelligence in medical imaging diagnosis., 2019, 38(2): 206–211.

    劉豐偉, 李漢軍, 張逸鶴, 李若松, 王尊升, 唐曉英. 人工智能在醫(yī)學(xué)影像診斷中的應(yīng)用. 北京生物醫(yī)學(xué)工程, 2019, 38(2): 206–211.

    [29] 許家睿. 人工智能在輔助醫(yī)療領(lǐng)域現(xiàn)狀與未來(lái)發(fā)展趨勢(shì)概述. 中國(guó)新通信, 2021, 23(1): 232–234.

    [30] Zhou WL. The classification and ethical reflection of artificial intelligence medical application., 2020, 33(7): 826–830.

    周琬琳. 人工智能醫(yī)學(xué)應(yīng)用的分類與倫理問(wèn)題反思. 中國(guó)醫(yī)學(xué)倫理學(xué), 2020, 33(7): 826–830.

    Omics big data and medical artificial intelligence

    Xinyue Wang1,2,3, Hongzhu Qu1,2,3, Xiangdong Fang1,2,3

    With the rapid development of high-throughput sequencing technology and computer science, the amount of large omics data has increased exponentially, the advantages of multi-omics analysis have gradually emerged, and the application of artificial intelligence has become more and more extensive. In this review, we introduce the application progress of multi-omics data analysis and artificial intelligence in the medical field in recent years, and also show the cases and advantages of their combined application. Finally, we briefly explain the current challenges of multi-omics analysis and artificial intelligence in order to provide new research ideas for the medical industry and to promote the development and application of precision medicine.

    multi-omics; artificial intelligence; medicine; precision medicine

    2021-06-18;

    2021-08-31

    科技部重點(diǎn)研發(fā)計(jì)劃(編號(hào):2020YFC2003405,2016YFC0901700,2018YFC0910700)資助[Supported by the National Key Research and Development Project of the Ministry of Science and Technology of the People’s Republic of China (Nos. 2020YFC2003405, 2016YFC0901700, 2018YFC0910700)]

    王昕玥,在讀博士研究生,研究方向:基因組學(xué)。E-mail: wangxinyue2019d@big.ac.cn

    渠鴻竹,博士,副研究員,研究方向:基因組學(xué)、精準(zhǔn)醫(yī)學(xué)大數(shù)據(jù)。E-mail: quhongzhu@big.ac.cn

    方向東,博士,研究員,研究方向:醫(yī)學(xué)遺傳學(xué)、精準(zhǔn)醫(yī)學(xué)大數(shù)據(jù)。E-mail: fangxd@big.ac.cn

    10.16288/j.yczz.21-215

    2021/10/11 09:01:14

    URI: https://kns.cnki.net/kcms/detail/11.1913.r.20211009.2351.001.html

    (責(zé)任編委: 朱波峰)

    猜你喜歡
    人工智能
    我校新增“人工智能”本科專業(yè)
    用“小AI”解決人工智能的“大”煩惱
    汽車零部件(2020年3期)2020-03-27 05:30:20
    當(dāng)人工智能遇見(jiàn)再制造
    2019:人工智能
    商界(2019年12期)2019-01-03 06:59:05
    AI人工智能解疑答問(wèn)
    人工智能與就業(yè)
    基于人工智能的電力系統(tǒng)自動(dòng)化控制
    人工智能,來(lái)了
    數(shù)讀人工智能
    小康(2017年16期)2017-06-07 09:00:59
    人工智能來(lái)了
    少妇人妻久久综合中文| 黄色怎么调成土黄色| av天堂久久9| 制服人妻中文乱码| 日韩欧美精品免费久久| 王馨瑶露胸无遮挡在线观看| 在线 av 中文字幕| 国产精品蜜桃在线观看| 九草在线视频观看| 国产极品粉嫩免费观看在线| 爱豆传媒免费全集在线观看| 热99国产精品久久久久久7| 亚洲精品成人av观看孕妇| 精品国产一区二区三区四区第35| 亚洲欧美一区二区三区黑人 | 亚洲国产欧美在线一区| 亚洲欧美中文字幕日韩二区| 80岁老熟妇乱子伦牲交| 2022亚洲国产成人精品| 久久综合国产亚洲精品| 亚洲精品中文字幕在线视频| 免费大片黄手机在线观看| 视频在线观看一区二区三区| 精品第一国产精品| 香蕉精品网在线| 久久精品国产亚洲av涩爱| 免费高清在线观看视频在线观看| 国产精品女同一区二区软件| 亚洲精品456在线播放app| 蜜桃在线观看..| 天天躁夜夜躁狠狠久久av| 精品国产乱码久久久久久小说| 国产精品一区二区在线不卡| 男人爽女人下面视频在线观看| 少妇精品久久久久久久| av.在线天堂| 视频区图区小说| 日韩大片免费观看网站| 在线 av 中文字幕| 日韩精品免费视频一区二区三区 | 国产精品熟女久久久久浪| av线在线观看网站| 精品国产一区二区三区久久久樱花| 最黄视频免费看| 国产成人av激情在线播放| 一级黄片播放器| 亚洲丝袜综合中文字幕| 午夜日本视频在线| 亚洲国产精品一区三区| 少妇熟女欧美另类| 欧美日韩亚洲高清精品| 亚洲精品乱码久久久久久按摩| 黑丝袜美女国产一区| 成人午夜精彩视频在线观看| 欧美老熟妇乱子伦牲交| 男女午夜视频在线观看 | 黄色配什么色好看| 久久精品久久久久久噜噜老黄| 午夜激情久久久久久久| 看非洲黑人一级黄片| 母亲3免费完整高清在线观看 | 99九九在线精品视频| 一本久久精品| 99久国产av精品国产电影| 下体分泌物呈黄色| 国产精品国产三级国产专区5o| 性色av一级| 国产爽快片一区二区三区| 日本91视频免费播放| 国产精品久久久av美女十八| av视频免费观看在线观看| 亚洲在久久综合| 国产av精品麻豆| 2022亚洲国产成人精品| 人人妻人人添人人爽欧美一区卜| 18禁动态无遮挡网站| 亚洲性久久影院| 91aial.com中文字幕在线观看| 国产综合精华液| 妹子高潮喷水视频| 91精品三级在线观看| 成年人免费黄色播放视频| 国产精品久久久av美女十八| 中文字幕人妻熟女乱码| 国产 一区精品| 一级毛片 在线播放| 91在线精品国自产拍蜜月| 亚洲国产色片| 在线亚洲精品国产二区图片欧美| 蜜桃国产av成人99| 涩涩av久久男人的天堂| 日韩电影二区| 欧美人与善性xxx| 一级毛片黄色毛片免费观看视频| 男女下面插进去视频免费观看 | 久久精品国产亚洲av天美| 久久狼人影院| 欧美人与善性xxx| 精品国产一区二区三区久久久樱花| 边亲边吃奶的免费视频| 九草在线视频观看| 亚洲精品日韩在线中文字幕| 日本vs欧美在线观看视频| 国产成人免费无遮挡视频| 丝袜在线中文字幕| www.av在线官网国产| 黄片无遮挡物在线观看| 黑人欧美特级aaaaaa片| 老熟女久久久| 大话2 男鬼变身卡| 国产亚洲最大av| 亚洲欧美日韩另类电影网站| 看免费成人av毛片| 亚洲精品乱久久久久久| 韩国av在线不卡| 人人妻人人爽人人添夜夜欢视频| 国产一区二区在线观看日韩| 中文字幕精品免费在线观看视频 | 成人漫画全彩无遮挡| 青春草国产在线视频| 欧美激情国产日韩精品一区| 99热网站在线观看| 亚洲五月色婷婷综合| 另类亚洲欧美激情| 看非洲黑人一级黄片| videossex国产| 欧美精品高潮呻吟av久久| 高清黄色对白视频在线免费看| 男女边吃奶边做爰视频| 三级国产精品片| 在线精品无人区一区二区三| av片东京热男人的天堂| 一级黄片播放器| 九草在线视频观看| 亚洲av福利一区| 国产精品国产三级国产专区5o| 十八禁网站网址无遮挡| 亚洲一级一片aⅴ在线观看| 国内精品宾馆在线| 国产av一区二区精品久久| 两性夫妻黄色片 | 国产成人一区二区在线| 视频区图区小说| 中文字幕精品免费在线观看视频 | 久久韩国三级中文字幕| 成年动漫av网址| 黄片无遮挡物在线观看| 欧美人与性动交α欧美软件 | 亚洲色图综合在线观看| videos熟女内射| 肉色欧美久久久久久久蜜桃| 成人影院久久| av线在线观看网站| 日韩av不卡免费在线播放| 制服人妻中文乱码| 中文字幕制服av| 夫妻性生交免费视频一级片| 国产精品欧美亚洲77777| 国产精品一二三区在线看| 亚洲在久久综合| 精品国产一区二区久久| 丝袜脚勾引网站| 亚洲欧美成人精品一区二区| 99热网站在线观看| 三级国产精品片| 久久鲁丝午夜福利片| 精品久久久久久电影网| 欧美xxxx性猛交bbbb| 亚洲成av片中文字幕在线观看 | 精品久久蜜臀av无| 99热全是精品| 香蕉丝袜av| 国产片内射在线| 三上悠亚av全集在线观看| 久久久久久久久久人人人人人人| 国产视频首页在线观看| 国产高清三级在线| 午夜av观看不卡| 午夜91福利影院| 久久精品熟女亚洲av麻豆精品| 亚洲av国产av综合av卡| 亚洲国产最新在线播放| 久久亚洲国产成人精品v| 最新中文字幕久久久久| 亚洲欧美一区二区三区国产| 久久女婷五月综合色啪小说| 国产高清国产精品国产三级| 在线亚洲精品国产二区图片欧美| av网站免费在线观看视频| 黑人欧美特级aaaaaa片| tube8黄色片| 亚洲精品视频女| 午夜久久久在线观看| 国产片特级美女逼逼视频| 成年女人在线观看亚洲视频| 精品国产乱码久久久久久小说| 美女福利国产在线| 热99久久久久精品小说推荐| 国产麻豆69| 欧美精品亚洲一区二区| 亚洲,欧美,日韩| 国产精品无大码| 亚洲,欧美精品.| av免费在线看不卡| 各种免费的搞黄视频| 国产亚洲午夜精品一区二区久久| 亚洲国产精品成人久久小说| 久久久久久久亚洲中文字幕| 亚洲第一区二区三区不卡| 自拍欧美九色日韩亚洲蝌蚪91| 中国国产av一级| 一区二区三区乱码不卡18| 青春草国产在线视频| 韩国精品一区二区三区 | 国产 一区精品| 欧美性感艳星| 欧美3d第一页| 久久久国产欧美日韩av| 久久久久国产网址| 免费在线观看黄色视频的| 久久国产亚洲av麻豆专区| 亚洲欧美一区二区三区国产| 久久久久久久大尺度免费视频| 18+在线观看网站| 亚洲av电影在线进入| 夫妻性生交免费视频一级片| 午夜福利在线观看免费完整高清在| av国产久精品久网站免费入址| 欧美丝袜亚洲另类| 国产精品不卡视频一区二区| 亚洲精品日韩在线中文字幕| 日本猛色少妇xxxxx猛交久久| 精品一区二区三区视频在线| 国产日韩欧美在线精品| 成年美女黄网站色视频大全免费| 一本—道久久a久久精品蜜桃钙片| 国产在视频线精品| 国产一区有黄有色的免费视频| 免费女性裸体啪啪无遮挡网站| 亚洲精品乱久久久久久| 国产精品嫩草影院av在线观看| 男女午夜视频在线观看 | 中国国产av一级| 亚洲欧美一区二区三区国产| 成年动漫av网址| 免费观看a级毛片全部| 国内精品宾馆在线| 日韩熟女老妇一区二区性免费视频| xxx大片免费视频| 国产精品一二三区在线看| 久久女婷五月综合色啪小说| 久久99热这里只频精品6学生| tube8黄色片| 日本午夜av视频| 色婷婷久久久亚洲欧美| 人人妻人人澡人人爽人人夜夜| 男女边吃奶边做爰视频| 久久久a久久爽久久v久久| 久久99蜜桃精品久久| 人妻人人澡人人爽人人| 亚洲精品美女久久av网站| 亚洲综合色网址| 晚上一个人看的免费电影| 中文字幕人妻丝袜制服| 午夜福利视频精品| 亚洲国产精品999| 精品久久蜜臀av无| 乱人伦中国视频| 亚洲精品久久久久久婷婷小说| 婷婷色综合www| 午夜福利,免费看| 亚洲精品色激情综合| 飞空精品影院首页| 超色免费av| 中文字幕精品免费在线观看视频 | 热re99久久国产66热| 少妇被粗大的猛进出69影院 | 一边摸一边做爽爽视频免费| 久久99一区二区三区| 91在线精品国自产拍蜜月| 精品一品国产午夜福利视频| 七月丁香在线播放| 飞空精品影院首页| 国产极品天堂在线| a级毛片黄视频| 深夜精品福利| 欧美另类一区| 高清在线视频一区二区三区| 亚洲美女黄色视频免费看| 亚洲四区av| 欧美激情极品国产一区二区三区 | 免费在线观看完整版高清| 精品久久蜜臀av无| av黄色大香蕉| 成人国产麻豆网| 熟女人妻精品中文字幕| 日本黄大片高清| 少妇猛男粗大的猛烈进出视频| 免费看不卡的av| 最近最新中文字幕免费大全7| 黄网站色视频无遮挡免费观看| 天堂中文最新版在线下载| 日日爽夜夜爽网站| 人人妻人人爽人人添夜夜欢视频| 男女高潮啪啪啪动态图| 久久狼人影院| 国产欧美另类精品又又久久亚洲欧美| 国产在线一区二区三区精| 久久99蜜桃精品久久| 成年人午夜在线观看视频| 久久久国产精品麻豆| 亚洲av电影在线观看一区二区三区| 天天影视国产精品| 十分钟在线观看高清视频www| 香蕉精品网在线| 男女边摸边吃奶| 精品久久久精品久久久| 国产免费现黄频在线看| 亚洲 欧美一区二区三区| 亚洲人成网站在线观看播放| 国产男人的电影天堂91| av在线老鸭窝| 99热网站在线观看| 高清在线视频一区二区三区| 亚洲欧洲国产日韩| 在线亚洲精品国产二区图片欧美| 国产精品无大码| 国产精品99久久99久久久不卡 | 精品亚洲成国产av| 1024视频免费在线观看| 美女xxoo啪啪120秒动态图| 性色avwww在线观看| 51国产日韩欧美| 亚洲精华国产精华液的使用体验| 欧美xxⅹ黑人| 亚洲国产欧美在线一区| 少妇 在线观看| 99re6热这里在线精品视频| 视频区图区小说| 春色校园在线视频观看| 午夜福利乱码中文字幕| 中文欧美无线码| 中文字幕av电影在线播放| 国产日韩欧美亚洲二区| 亚洲精品aⅴ在线观看| 国产高清国产精品国产三级| 三上悠亚av全集在线观看| 全区人妻精品视频| 久久午夜综合久久蜜桃| 乱人伦中国视频| 黄片无遮挡物在线观看| 三级国产精品片| 男的添女的下面高潮视频| 又黄又粗又硬又大视频| 你懂的网址亚洲精品在线观看| 91精品伊人久久大香线蕉| 伦精品一区二区三区| 91久久精品国产一区二区三区| 免费少妇av软件| 亚洲av男天堂| 内地一区二区视频在线| 人人妻人人澡人人看| 久热久热在线精品观看| 亚洲色图 男人天堂 中文字幕 | 波野结衣二区三区在线| 国产精品久久久久久av不卡| videosex国产| 丝袜美足系列| 久久国产精品大桥未久av| 久久国产亚洲av麻豆专区| 亚洲在久久综合| 青春草亚洲视频在线观看| 免费人成在线观看视频色| 久久久久视频综合| 免费黄频网站在线观看国产| 18禁裸乳无遮挡动漫免费视频| 国产深夜福利视频在线观看| 亚洲国产av影院在线观看| 天天躁夜夜躁狠狠躁躁| 亚洲欧洲国产日韩| 婷婷色av中文字幕| 欧美最新免费一区二区三区| 精品久久久久久电影网| 在线观看人妻少妇| 日韩在线高清观看一区二区三区| 亚洲精品乱码久久久久久按摩| 大片电影免费在线观看免费| 免费看av在线观看网站| 美女脱内裤让男人舔精品视频| 综合色丁香网| 亚洲在久久综合| 欧美性感艳星| 亚洲在久久综合| 免费大片18禁| 十八禁网站网址无遮挡| 亚洲色图综合在线观看| 国产精品.久久久| xxxhd国产人妻xxx| 岛国毛片在线播放| 日日爽夜夜爽网站| 国产在线免费精品| 大片免费播放器 马上看| 伦理电影大哥的女人| 啦啦啦视频在线资源免费观看| 亚洲精品美女久久久久99蜜臀 | 亚洲美女搞黄在线观看| 视频区图区小说| 国产爽快片一区二区三区| 免费在线观看黄色视频的| 在线亚洲精品国产二区图片欧美| 中文字幕人妻熟女乱码| 中文字幕制服av| 亚洲天堂av无毛| 亚洲成人一二三区av| 香蕉国产在线看| 国产精品久久久久久精品古装| 日本av免费视频播放| 婷婷色av中文字幕| 日韩中字成人| 18禁观看日本| 亚洲综合色惰| 天天影视国产精品| 亚洲av福利一区| 国产免费又黄又爽又色| 一区二区av电影网| 少妇熟女欧美另类| 国产精品无大码| 丝袜在线中文字幕| 中文字幕人妻熟女乱码| 99久久人妻综合| 国产一区二区在线观看av| 久久精品国产鲁丝片午夜精品| 亚洲伊人久久精品综合| 亚洲国产毛片av蜜桃av| 九色成人免费人妻av| 亚洲丝袜综合中文字幕| 搡老乐熟女国产| 国产午夜精品一二区理论片| 国产精品一区二区在线不卡| 亚洲在久久综合| 国精品久久久久久国模美| 女性生殖器流出的白浆| 一本久久精品| 纵有疾风起免费观看全集完整版| 亚洲人与动物交配视频| 亚洲精品,欧美精品| 婷婷色av中文字幕| 国产一区二区在线观看日韩| 亚洲国产精品国产精品| 亚洲精品乱久久久久久| 久久狼人影院| 久久午夜综合久久蜜桃| 久久精品国产亚洲av涩爱| 亚洲欧美日韩卡通动漫| 90打野战视频偷拍视频| 最后的刺客免费高清国语| 最近中文字幕2019免费版| 久久国内精品自在自线图片| 母亲3免费完整高清在线观看 | 国产欧美日韩一区二区三区在线| 国产麻豆69| 日日啪夜夜爽| 中国三级夫妇交换| 在线观看免费视频网站a站| 色哟哟·www| 亚洲欧美成人精品一区二区| 久久精品久久精品一区二区三区| 色94色欧美一区二区| 国产在视频线精品| 男的添女的下面高潮视频| 亚洲欧美日韩另类电影网站| 成人手机av| 黄色 视频免费看| 日韩精品有码人妻一区| 涩涩av久久男人的天堂| 亚洲内射少妇av| 国产不卡av网站在线观看| 综合色丁香网| 夫妻性生交免费视频一级片| 老司机影院成人| 91午夜精品亚洲一区二区三区| 老司机亚洲免费影院| 国产免费一级a男人的天堂| 久久久久精品性色| 国产精品偷伦视频观看了| 在线亚洲精品国产二区图片欧美| 日本av免费视频播放| 韩国av在线不卡| 中文天堂在线官网| 夜夜爽夜夜爽视频| 91aial.com中文字幕在线观看| 国产黄色视频一区二区在线观看| 插逼视频在线观看| 热re99久久国产66热| www.av在线官网国产| 久久青草综合色| 日韩欧美一区视频在线观看| 亚洲精品色激情综合| 乱人伦中国视频| 少妇人妻久久综合中文| 国产爽快片一区二区三区| 免费播放大片免费观看视频在线观看| 香蕉精品网在线| 91国产中文字幕| 啦啦啦啦在线视频资源| av在线观看视频网站免费| 国产精品一二三区在线看| 亚洲av欧美aⅴ国产| www日本在线高清视频| 黑丝袜美女国产一区| 嫩草影院入口| 亚洲久久久国产精品| 啦啦啦中文免费视频观看日本| 欧美激情极品国产一区二区三区 | 久久久久久久大尺度免费视频| 制服诱惑二区| 亚洲成人一二三区av| 两性夫妻黄色片 | 中国美白少妇内射xxxbb| 有码 亚洲区| 秋霞伦理黄片| 色哟哟·www| 午夜免费观看性视频| 午夜激情久久久久久久| 国产高清三级在线| av免费在线看不卡| 在线观看人妻少妇| 精品久久久久久电影网| 亚洲av在线观看美女高潮| 69精品国产乱码久久久| 18禁动态无遮挡网站| 看非洲黑人一级黄片| 午夜精品国产一区二区电影| 国产一区二区在线观看日韩| 国产亚洲一区二区精品| 免费观看av网站的网址| 老司机影院成人| 视频在线观看一区二区三区| 成人二区视频| 国产麻豆69| 夜夜爽夜夜爽视频| 欧美精品av麻豆av| 精品人妻熟女毛片av久久网站| 亚洲精品av麻豆狂野| 欧美日韩综合久久久久久| 亚洲国产色片| 久久99蜜桃精品久久| 久久精品国产亚洲av天美| 日韩不卡一区二区三区视频在线| av在线老鸭窝| 欧美精品av麻豆av| 伦理电影大哥的女人| 9191精品国产免费久久| 欧美xxⅹ黑人| 侵犯人妻中文字幕一二三四区| 欧美人与性动交α欧美精品济南到 | 九草在线视频观看| 国产av国产精品国产| 夫妻性生交免费视频一级片| www日本在线高清视频| 大话2 男鬼变身卡| 人妻少妇偷人精品九色| 亚洲一区二区三区欧美精品| 国产亚洲一区二区精品| 成人黄色视频免费在线看| 纯流量卡能插随身wifi吗| 久久这里只有精品19| 丝袜喷水一区| 国国产精品蜜臀av免费| 色5月婷婷丁香| 国产免费视频播放在线视频| 老司机影院毛片| 在线 av 中文字幕| 国产精品国产三级专区第一集| 国产成人欧美| www.色视频.com| 男女无遮挡免费网站观看| 伦理电影免费视频| 久久久久精品人妻al黑| videossex国产| 亚洲精品aⅴ在线观看| 久久99热6这里只有精品| 视频区图区小说| 亚洲欧美色中文字幕在线| av一本久久久久| 国产在线视频一区二区| 大片免费播放器 马上看| 国产精品久久久久久久电影| 最后的刺客免费高清国语| 看免费成人av毛片| 久久综合国产亚洲精品| 韩国高清视频一区二区三区| 婷婷色综合大香蕉| 热99久久久久精品小说推荐| 夜夜骑夜夜射夜夜干| 国产熟女欧美一区二区| 亚洲欧美日韩另类电影网站| 日韩三级伦理在线观看| 国产亚洲av片在线观看秒播厂| 国产日韩一区二区三区精品不卡| 永久网站在线| 国产精品欧美亚洲77777| 免费在线观看完整版高清| av女优亚洲男人天堂| 精品一区二区免费观看| 国产深夜福利视频在线观看| 在线观看美女被高潮喷水网站| 国产色爽女视频免费观看| 国产成人精品婷婷| 下体分泌物呈黄色| 水蜜桃什么品种好| 精品酒店卫生间| 国语对白做爰xxxⅹ性视频网站| 国产毛片在线视频| 王馨瑶露胸无遮挡在线观看|