对于谷歌的研究人员来说，眼睛是一个人健康与否的标志。目前，这个科技巨头公司正在通过分析人类的视网膜照片，通过深度学习，对人的血压、年龄以及吸烟情况进行预测。其初步结果显示，机器可以通过这些信息预测心脏病的发生，从而做出有效的预防措施。
这项研究依赖于卷积神经网络，这是一种深度学习算法，它改变了生物学家对图像的分析。科学家们正借助于这种方法来寻找基因组中的突变，并预测单个细胞的布局变化。谷歌的方法在去年8月份发表的论文中已有所论述。可以说，这是新型深度学习应用的一部分，而这些应用使图像处理变得更容易，甚至可以识别出被忽视的生物现象。
“以前，把机器学习应用到生物学的一些领域是不可能的，”加州山景城谷歌研究项目主任Philip Nelson说。“现在不仅仅实现了，更让人高兴的是，还可以看到人类未发现的东西。”
卷积神经网络使计算机能够高效且全面地处理图像，而且不需要将图像分解成多个部分。得益于计算机计算能力与存储技术的进步，这一方法在2012年左右获得了初步成功。举个例子，Facebook利用这类深度学习技术来识别照片中的人脸。
但是科学家们仍努力将这些网络应用到生物学领域，部分原因在于各个领域之间的文化差异。Daphne Koller，谷歌母公司Alphabet旗下的生物科技公司Calico的首席计算官，表示：“让一群聪明的生物学家和一群同样聪明的计算机科学家在同一个房间里活动，他们会用两种不同的语言及思维方式进行交流。”
科学家还必须确定哪些类型的研究可以通过网络进行，而这些网络必须接受大量的图像训练才能进行预测。当谷歌希望利用深入的学习来发现基因组中的突变时，科学家们不得不将DNA的字母序列转换成计算机可以识别的图像。
然后，他们在DNA 片段上训练神经网络，这些片段已与参考基因组对齐，并且其突变已知。最终的结果是DeepVariant（深度变异），这是12月发布的一个工具，可以发现DNA序列的小变化。至少在测试中，DeepVariant的表现和传统工具一样好。
来自西雅图艾伦研究所的细胞生物学家们，正在使用卷积神经网络，将光学显微镜下捕获到的细胞的平坦灰色图像转换成3D图像，其中一些细胞的细胞器被标记为彩色。
这种方法消除了对细胞进行染色的需要——这个过程需要更多的时间以及更复杂的实验设备，而且还可能会损坏细胞。上个月，该小组公布了一项先进技术的细节，该技术可以使用一些数据（如细胞的轮廓等）预测更多细胞部分的形态和位置。
美国哈佛-麻省理工博德研究所（Broad Institute of MIT and Harvard）成像平台主任Anne Carpenter说：
“现在大家看到的是机器学习能够完成与成像有关的生物学任务，这是前所未有的转变。”
2015年，她的跨学科团队开始使用卷积神经网络处理细胞图像； 现在， Carpenter表示，神经网络正在处理其研究中心约15％的图像数据。在她看来，未来几年内，这种方法将成为其研究中心的主要数据处理模式。
有些人一想到用卷积神经网络分析图像可能会在无意中揭示一些微妙的生物现象，由此可能会引出一些从未考虑过的问题，就会感到兴奋。Nelson说：“科学中最有趣的一句话不是‘找到了！’，而是‘那很奇怪，怎么回事？’。”
艾伦研究所的执行董事Rick Horwitz表示，这种偶然的发现可以推动疾病研究的发展。他认为，如果深度学习能够揭示单个细胞中的癌症征兆，这会有助于研究人员改进肿瘤分类。反过来，同时，也有可能带来癌症扩散的新假说。
此外，生物学其他机器学习专家已经将目光投向了其他领域，尽管卷积神经网络已经应用于图像处理。“图像很重要，但化学和分子数据也同样重要。”
----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------