深度学习

准确预测结直肠癌（CRC）患者的预后（即预测生存率）对于个体化治疗和护理至关重要。CRC标本的组织病理切片包含丰富的预后相关信息，但缺乏相关算法来实现这种预测。Lancet Digital Health近期发表的文章，利用深度学习建立了从病理组织切片信息来预测患者预后的模型，可在结直肠癌管理的临床决策中作为一种潜在的预后工具。

结直肠癌深度学习病理组织切片

深度学习

Cell子刊：AI助力大肠癌检测再取新进展

本文研究开发一种基于转换器的管道，将预先训练的转换器编码器与用于补丁聚合的转换器网络相结合，从结直肠癌常规病理切片中进行端到端生物标志物预测,与当前最先进的算法相比，此方法大大提高了性能、可推广性、数据效率和可解释性。

深度学习生物标志物结直肠癌人工智能转换器

菌群

苏晓泉等：基于深度学习和宿主信息嵌入的菌群多标签疾病检测研究

青岛大学苏晓泉团队近期在Advanced Intelligent Systems发表研究，提出了一种名为Meta-Spec的深度学习方法。该方法采用深度神经网络（DNN），将经过精炼的宿主变量与菌群特征进行编码和嵌入，从而实现了同时检测多种疾病的能力。这些工作提高了基于菌群疾病筛查的可行性和灵敏度，让个性化医疗走向实际应用迈出了重要一步。

菌群多标签分类宿主变量深度学习疾病检测

瘤内菌群

山东大学：一文读懂瘤内微生物组数据的计算方法和挑战（综述）

瘤内菌群互作综述基础研究免疫-肿瘤-微生物组

菌群

机器学习和深度学习在菌群研究中的应用

菌群人工智能机器学习深度学习预测能力

结直肠癌

Lancet子刊：AI+传统病理分期预测是否进行辅助化疗

DoMore-v1-CRC是最近使用深度学习和传统的苏木精和伊红染色组织切片开发的结直肠癌预后标记物，研究者观察到在原发性结直肠癌切除术后，它的预后预测优于已建立的分子和形态学标记物。最新发表在The Lancet Oncology的研究通过整合DoMore-v1-CRC和病理分期标记物，提供了一个临床决策支持系统，其风险分层比其构成要素更准确，并识别出更多与当前指南中低风险组相似的、预后良好的II期和III期结直肠癌患者，并且可能在保障安全的前提下避免对这些患者使用辅助化疗，降低发病率、死亡率和治疗费用。

结直肠癌研究论文医学研究深度学习 DoMore-v1-CRC

LookingGlass

Nature子刊：宏基因组功能预测和注释新工具LookingGlass

目前，还是有大量的微生物未被培养，在微生物基因组或环境序列中鉴定到的大多数蛋白质也无法很好的进行功能注释。由于参考数据库的不完整，一定程度上限制了研究人员充分捕捉微生物群的功能多样性，也限制了对生物序列的高级特征进行建模的能力。近日，Nature Communications发表了一项最新研究，研究人员建立了一种“生命通用语言”深度学习模型—LookingGlass（https://github.com/gnif/LookingGlass），能准确识别短读长DNA序列中的编码区，高效地对宏基因组中的reads进行功能预测、注释和特定的酶挖掘。总之，该研究为深度挖掘微生物暗物质提供了支撑，也为复杂生物系统建模提供了基础。

LookingGlass 深度学习研究论文基础研究机器学习

本体感知神经网络 (ONN)

宁康等：基于深度学习实现百万菌群样本的超快速溯源工具ONN4MST

微生物群落样本的分类结构具有高度的栖息地特异性，其使识别样本来源的生态位成为可能。然而，当扩大溯源时，当前的方法面临挑战。华中科技大学宁康和山东大学崔学峰作为共同通讯作者，近期在Genome Medicine发表研究，介绍了一种深度学习方法——基于本体感知神经网络方法ONN4MST，可用于大规模溯源。当对来自 114 个生态位的 125,823 个样本进行溯源时，ONN4MST 以接近最佳的精度而优于其他方法。总体而言，这项研究代表了第一个基于模型的方法，用于对来自数百个生态位的亚百万菌群样本进行溯源，其具有卓越的速度、准确性和可解释性。ONN4MST 可在 https://github.com/HUST-NingKang-Lab/ONN4MST 上获得。

本体感知神经网络 (ONN) 微生物溯源 (MST) 深度学习超快菌群

药物研发

王军+陈义华NBT突破：用人工智能大规模挖掘人肠道菌群中的抗菌肽

抗生素耐药菌（特别是多重耐药菌）对人类健康造成严重威胁，亟需开发新的抗菌药物。生物体（包括肠道微生物）产生的抗微生物肽（AMP）是研发新型抗菌药物的弹药储备库，但受限于已有技术，仍有大量AMP尚未被挖掘出来，人工智能（AI）算法在该领域中有很大的应用潜力。中国科学院微生物研究所王军团队与陈义华团队合作在Nature Biotechnology发表最新研究，结合多种自然语言处理神经网络模型，建立了能自主学习AMP序列特征从而挖掘鉴定新型AMP的AI方法，并用该方法从人肠道微生物组数据中挖掘出181个新型AMP，包括能在体内外有效抑制多重耐药菌的强效AMP。总之，这项概念验证研究不仅为研发抗菌药物提供了大量的候选AMP，也为利用AI从宏基因组数据中挖掘功能肽提供了一个优秀的范例。

药物研发抗菌肽人工智能深度学习宏基因组

深度学习

iMeta：刘洋彧等基于物种组合的深度学习方法预测菌群结构

复杂微生物群落的众多物种和未知的种群动力学一直是我们理解菌群结构变化(例如移除或添加物种)的根本障碍。推动这个领域向前发展可能需要失去一些解释机制的能力。从这个意义上说，深度学习方法可以使我们合理操控和预测复杂微生物群落的动态变化。哈佛医学院刘洋彧团队与合作者近期在iMeta发表研究，开发了一个深度学习框架来预测物种组合的群落组成，该框架不需要了解任何微生物动力学，并且各种数据的验证显示了其准确的预测能力。

深度学习菌群组成物种组合

深度学习

吉林大学团队开发了基于深度学习方法的宏基因组病毒序列分类方法Virtifier

为了进一步提高从宏基因组数据中识别短病毒序列的性能，本文提出了一种基于深度学习的方法Virtifier。Virtifier在CAMI数据集和真实人体肠道宏基因组中的应用证明，它在识别长度小于500bp的病毒序列方面优于VirFinder、DeepVirFinder和PPR Meta。宏基因病毒序列检测是病毒分析的第一步，它对接下来的病毒分析工作有重大影响。Virtifier将在病毒分类和病毒性疾病检测领域发挥重要作用。Github上提供了Virtifier的Python实现和为本研究开发的Python代码 https://github.com/crazyinter/Seq2Vec 。

深度学习病毒序列分类器宏基因组病毒预测

菌群

宁康等：利用同源序列解码菌群生态位关联，准确预测靶向蛋白结构

近期，华中科技大学宁康团队与合作者在PNAS发表研究。作者假设微生物生态位和蛋白质家族之间存在固有的进化联系，可用于构建精确的多序列比对（MSAs）。为了检验这个假设，作者建立了一个包含42.5亿个序列的四个主要生物群落的模型库，开发了一个名为MetaSource的机器学习模型来预测目标蛋白质的源生物群落，其可以显著提高联系图和3D结构模型的准确性，同时使用少于三倍以上的计算机内存和CPU时间。研究的结果验证了重要的生物组-序列-Pfam关联，这可以为基于菌群的蛋白质结构和功能预测的靶向方法提供更高的效率和有效性。

菌群蛋白质结构预测深度学习多序列比对蛋白质同源家族

结直肠癌

Lancet子刊：深度学习框架预测大肠癌分子路径和关键突变

确定大肠癌中分子通路和关键突变的状态对最佳治疗决策至关重要。最新发表在Lancet Digital Health的研究，经过大规模验证，提出用于预测临床重要突变和分子通路的算法（如微卫星不稳定性），可在结直肠癌中对患者分层，进行靶向治疗。相比基于测序或基于免疫组化的方法，该方法可能成本更低，周转时间更快。

结直肠癌研究论文医学研究基础研究深度学习

噬菌体宿主

朱怀球团队：从宏病毒组中识别噬菌体片段宿主的工具HoPhage

借助宏基因组学技术，鉴定出大量无法培养的新型噬菌体，与自然携带直接宿主信息的传统基于培养的方法相比，宏基因组方法，尤其是宏病毒组，缺乏噬菌体与其细菌宿主之间的联系。因此，对开发用于短噬菌体片段宿主识别的计算工具的需求不断增加。北京大学朱怀球团队近期在Bioinformatics发表的研究中，考虑到真实群落宏基因组数据中的噬菌体片段长度较短，微生物群落的分类组成复杂，开发了HoPhage（噬菌体宿主），并展示了它在更广泛的候选宿主范围内识别短噬菌体片段宿主的良好性能。HoPhage 可在网址 http://cqb.pku.edu.cn/ZhuLab/HoPhage/ 中使用。

噬菌体宿主宏病毒组深度学习片段长度宏基因组学

纵向菌群数据

phyLoSTM：一种基于纵向菌群数据进行疾病预测的新型深度学习模型

人类菌群在纵向时间尺度上是高度动态的，会随着饮食或医疗干预而动态变化。在研究中，作者提出了一种新的深度学习框架“phyLoSTM”，结合使用卷积神经网络和长短期记忆网络 (LSTM) 进行特征提取和分析纵向微生物组测序数据中的时间依赖性以及宿主的环境因素，用于疾病预测，并提出了通过 LSTM 处理受试者中的可变时间点方面以及在不平衡情况和对照之间的权重平衡方面的其他新颖性。

纵向菌群数据深度学习疾病预测随机森林

巴雷特食管

Nature子刊：巴雷特食管的无创诊断新方法

Nature Medicine上发表的一项最新研究，结合一种无创细胞收集装置（收集胃、食管及口咽的上皮细胞）及深度学习算法，可较准确地对巴雷特食管（食管腺癌的主要前兆）进行诊断。在实际操作中，该方法可降低病理专家约57%的工作量。

巴雷特食管研究论文基础研究深度学习癌症诊断

菌群模拟

通过生成对抗网络模型进行微生物组模拟

在本文介绍了一个新颖的菌群模拟模型MB-GAN，并表明它可以模拟高保真微生物组丰度。作者通过修改鉴别器网络，从而纳入基于菌群多样性的测量。与原始GAN框架相比，此算法可以快速、稳健地收敛。因此，可以在无需明确建模的情况下轻松地基于一组输入的微生物组丰度来模拟新的数据集。在真实的数据研究中，作者证明了模拟的菌群丰度具有相似的数据特征，包括一阶（样本水平属性，如稀疏性和多样性）和二阶特性（分类群间的相关性）。总之，MB-GAN通过为真实数据提供高保真度的模拟数据，可以评估各种类型的菌群研究。

菌群模拟生成对抗网络深度学习

变体自动编码器（VAMB）

Nature子刊：宏基因组的分箱和组装的新方法

丹麦哥本哈根大学Simon Rasmussen课题组的最新研究利用深度变体自动编码器（VAMB）改进了宏基因组的组装。该项研究成果发表在2021年1月4日出版的《自然-生物技术》上。其通过将宏基因组分箱与无监督的深度学习相结合，作者展示了在不同类型和大小的数据集上与最先进的方法相比的改进。他们的发现的重要性不局限于微生物组和宏基因组学领域，因为数据集成是许多生命科学研究领域的核心过程。通过跨多个组学数据集的数据集成，将大大提高精密医学领域的未来发现。

变体自动编码器（VAMB） k-mer 序列丰度平均核苷酸同一性（ANI）深度学习

菌群

Cell子刊：基于深度学习的微生物基因组小蛋白编码基因的自动预测和注释

使用现有的研究工具常常忽略了小蛋白质，Durrant和Bhatt使用深度学习模型来改进对人类菌群中常见的小蛋白质的检测。为了方便注释特定的小型开放阅读框（smORFs），本文引入了SmORFinder。该工具结合了每个smORF家族的隐马尔可夫模型和深度学习模型，这些模型可以更好地推广到训练集中未被见到的smORF家族，从而丰富了对Ribo-seq翻译信号的预测。该注释工具可免费获得，并且可以重新分析成千上万个公开可用的基因组。

菌群基因组注释小型开放阅读框机器学习深度学习

人工智能

人工智能在胃肠道和肝胆癌症病理诊断中的应用（综述）

人工智能（AI）可以从视觉数据中提取复杂的信息。胃肠道（GI）和肝癌的组织病理学图像包含大量人类观察者只能部分理解的信息。作为对人类观察者的补充，AI可以对胃肠道和肝癌的数字化组织切片进行深入分析，并提供广泛的临床相关应用。发表在Gut上的一篇综述文章对AI与病理诊断的进展进行了介绍，并指出数字病理学的目标不是接管病理学家的工作，而是提高诊断准确性，减少人为错误，并提高工作效率和可重复性。

人工智能深度学习数字化组织切片疾病诊断全载玻片成像扫描

结直肠癌

深度学习助力结直肠癌微卫星不稳定性的临床分级

微卫星不稳定性（MSI）和错配修复缺陷（dMMR）可对结直肠癌患者进行分类，选择不同的治疗策略。深度学习可在常规组织切片上检测肿瘤样品的MSI和dMMR状态，比分子分析更快、更便宜。Gastroenterology近期发表的文章，研发出利用结直肠癌患者的H&E切片检测MSI和dMMR的深度学习算法，在测试集中表现非常优秀，或可用于结直肠癌组织标本的高通量、低成本评估。

结直肠癌 biomarker Cancer Immunotherapy Lynch Syndrome Mutation

预测生物学

Nature Reviews：预测生物学实现建模、理解和驾驭微生物的复杂性（综述）

预测生物学是合成生物学和系统生物学（特别是微生物学）的下一章。曾经似乎不可行的任务正日益得到实现，例如设计和实现执行复杂的传感和驱动功能的复杂的合成基因回路，以及将具有特定，预定组成的多物种细菌群落组装在一起。通过整合生物学，物理学和工程学领域的各种专业知识，使这些成就成为可能，从而使人们对生物学设计有了新的定量认识。随着越来越多的多组学数据集的出现，它们在将理论转化为实践中的潜在效用仍然坚定地植根于控制生物系统的基本定量原理。在这篇综述中，作者讨论了微生物学日益引起人们关注的预测生物学的关键领域，与生俱来的微生物复杂性相关的挑战以及定量方法在使微生物学更具可预测性方面的价值。

预测生物学定量建模深度学习微生物动力学

微生物组

微生物组数据预测建模的的深度学习新方法

基于微生物组数据建立临床结果的预测模型是必不可少的，系统发育树代表了微生物组的一种独特的相关结构，是提高预测性能的重要前提。然而，以有效且严格的方式考虑系统发育树的预测方法还不成熟。本研究开发了一种新颖的深度学习预测方法MDeep（基于微生物组的深度学习方法）来预测连续和二元结果。从概念上讲，MDeep设计卷积层以在每个卷积层上使用多个卷积过滤器模拟分类等级，以捕获局部接受域中微生物物种之间的系统发育相关性，并通过特征映射保持不同卷积层之间的相关性结构。总而言之，卷积层及其内置的卷积过滤器可捕获不同分类级别的微生物信号，同时促进局部平滑化并保留系统树诱导的局部连通性。本研究使用模拟研究和实际数据应用程序来证明MDeep在回归和二元分类方面优于其他竞争方法。

微生物组系统发育深度学习机器学习预测

结直肠腺瘤

武大人民医院团队：计算机辅助结肠镜检，提高腺瘤检出率

来自武汉大学人民医院的于洪刚团队在Lancet Gastroenterology & Hepatology上发表的一项随机对照研究结果，利用一种基于深度神经网络及感知哈希算法开发的实时计算机辅助系统——ENDOANGEL以辅助结肠镜检查，在700多名接受结肠镜检的患者中，相对于普通的结肠镜检查，ENDOANGEL系统辅助下的结肠镜检查可显著提升腺瘤检出率，且安全性良好。

结直肠腺瘤随机对照试验结直肠腺瘤肿瘤检测结肠镜检查

结直肠癌

Lancet：用机器学习研发大肠癌预后标志物

在结直肠癌（CRC）的治疗中，需要进一步改善预后标志物来对早期CRC患者进行分层，以完善辅助治疗的选择。最新发表在Lancet的研究旨在通过使用深度学习直接分析常规扫描的苏木精和伊红染色切片，建立原发性CRC切除术后患者预后生物标志物——DoMore-v1-CRC分类器。该方法已在大量独立的患者群体中进行了广泛评估，与已建立的分子和形态学预后标志物相关并优于它们，并在不同的肿瘤阶段到一致的结果。生物标志物将II期和III期患者划分为足够明确的预后组，能帮助避免在非常低的风险组中进行治疗，并确定哪些患者将受益于更强化的治疗方案，该生物标志物将可能用于指导辅助治疗的选择。

结直肠癌深度学习预后预测生物标志物辅助治疗

病毒组

基于深度学习的病毒序列识别

病毒组宏基因组分析工具宏基因组深度学习机器学习

深度学习

Nature子刊：深度学习算法预测微卫星不稳定

胃肠道癌症患者对免疫治疗的应答受到微卫星不稳定的影响。Nature Medicine上发表的一项最新研究，开发了一种深度学习算法，利用HE染色的组织切片，即可较好地预测胃肠道癌症患者的微卫星不稳定，有助于更好地实现个性化肿瘤免疫治疗。

深度学习结直肠癌胃癌个性化医疗肿瘤免疫治疗

食道胃十二指肠镜检

武汉大学人民医院：深度学习算法提升食道胃十二指肠镜检的质量

食道胃十二指肠镜检常用于上消化道病变的诊断，但受到内镜检查医生操作的影响，且镜检中存在盲点。来自武汉大学人民医院的于红刚团队在Gut上发表的一项RCT研究结果，使用基于深度学习算法开发的WISENSE系统，可显著降低镜检中的盲点率。

Endoscopy RCT 食道胃十二指肠镜检深度学习 Deirdre K Tobias

白蚁菌群

低丰度细菌驱动饮食变化引起的肠道菌群组成改变

白蚁菌群人工神经网络深度学习低丰度物种 16S rRNA gene sequencing

抗生素耐药基因

Microbiome：新方法预测ARG，更准确

弗吉尼亚理工学院Zhang Liqing主导，开发了一种新的基于深度学习的方法，以从宏基因组数据中鉴定抗生素耐药基因，并证明了该方法的优越性，该研究在近期的Microbiome[IF：8.496]上线，推荐专业人士参考。

抗生素耐药基因数据处理深度学习 antibiotic resistance Deep learning