2016年，全球新發(fā)癌癥數(shù)量超過(guò)1400萬(wàn)人，并導(dǎo)致了900萬(wàn)人的死亡。癌癥在發(fā)達(dá)國(guó)家中已成為主要死亡原因之一，美國(guó)每年逝世的5個(gè)人當(dāng)中有一人是因癌癥致死。根據(jù)美國(guó)抗癌協(xié)會(huì)和國(guó)際癌癥協(xié)會(huì)數(shù)據(jù)，所有的癌癥都是越早治療、治療效果越好。癌癥的早期發(fā)現(xiàn)，可以為病理診斷和治療贏取更多的時(shí)間，能極大提高治愈率與患者生存周期及質(zhì)量。癌癥的早期篩查是個(gè)萬(wàn)億級(jí)別的市場(chǎng)。

資本市場(chǎng)的火爆，得益于近十余年基因測(cè)序技術(shù)的迅猛發(fā)展，特別是在腫瘤領(lǐng)域的廣泛應(yīng)用。另一方面，機(jī)器學(xué)習(xí)技術(shù)在基因大數(shù)據(jù)處理上的大量應(yīng)用，積累了前所未有的知識(shí)。這些全新的知識(shí)及組合為醫(yī)療界打開(kāi)了一扇新世界的大門，使得醫(yī)學(xué)工作者對(duì)許多疾病的認(rèn)識(shí)、篩查和治療都有了新的渠道和信息。

基因測(cè)序技術(shù)的進(jìn)步使得基因分析更加的高效快捷

人可以被看作一臺(tái)極其精密的儀器，人的一生，萬(wàn)億計(jì)的細(xì)胞在體內(nèi)不斷復(fù)制更新，每代復(fù)制嚴(yán)格相同，但存在極其微小的錯(cuò)誤率，造成所謂的基因突變。絕大多數(shù)突變無(wú)關(guān)緊要，少量突變?cè)斐梢种粕L(zhǎng)的基因的功能失常，或者激活生長(zhǎng)基因，變成癌細(xì)胞。而癌細(xì)胞一旦逃避了免疫系統(tǒng)的監(jiān)控，就造成生長(zhǎng)失控變成癌組織。

一條人的基因組序列共有30億位，按正常排版打印在A4紙上，大概有華盛頓紀(jì)念碑那么高。人與人之間會(huì)有小于千分之一的差異，癌細(xì)胞與自身的正常細(xì)胞基因組序列也會(huì)有細(xì)微的差別?；驕y(cè)序的進(jìn)步，讓鑒別這些差別成為一件快速、高效、低成本的事。

計(jì)算機(jī)運(yùn)算速度和能力的發(fā)展，進(jìn)一步推動(dòng)了基因分析的進(jìn)步

由于人類基因組的復(fù)雜性，測(cè)序數(shù)據(jù)量非常龐大，一個(gè)人的全基因組測(cè)序數(shù)據(jù)可以達(dá)到上百G。普通的計(jì)算機(jī)技術(shù)和統(tǒng)計(jì)學(xué)方法無(wú)法在短時(shí)間內(nèi)很好地處理這些信息，而機(jī)器學(xué)習(xí)的發(fā)展以及GPU運(yùn)算的進(jìn)步逐漸為科研工作者解決了這一難題。現(xiàn)在只需要將基因測(cè)序的數(shù)據(jù)輸入經(jīng)過(guò)機(jī)器學(xué)習(xí)反復(fù)訓(xùn)練的模型中，計(jì)算機(jī)就可以很快的分析出目標(biāo)區(qū)域是否存在變異，進(jìn)而找到可能變異的基因點(diǎn)位為醫(yī)生提供更多的可用于診斷及治療的信息。正是因?yàn)闄C(jī)器學(xué)習(xí)和基因測(cè)序技術(shù)的日漸成熟，以癌癥篩查和診斷為首的各類疾病早篩項(xiàng)目漸漸成為科研及創(chuàng)投的熱點(diǎn)。

機(jī)器學(xué)習(xí)是近年來(lái)非?；馃岬募夹g(shù)方向

簡(jiǎn)單來(lái)說(shuō)，機(jī)器學(xué)習(xí)就是為計(jì)算機(jī)提供大量的數(shù)據(jù)，而這些數(shù)據(jù)都有他們各自對(duì)應(yīng)的標(biāo)簽，例如我們想教會(huì)計(jì)算機(jī)識(shí)別圖片中的動(dòng)物，我們則要提供各種各樣的動(dòng)物圖片，并且每一張圖片都帶有對(duì)應(yīng)的標(biāo)簽，這個(gè)是貓，這個(gè)是狗等等。機(jī)器在分析大量的數(shù)據(jù)之后會(huì)在圖片之中找到規(guī)律，例如貓?jiān)趫D片中大多是獨(dú)來(lái)獨(dú)往，而許多有狗的圖片中還有別的動(dòng)物或人類。通過(guò)這些信息，計(jì)算機(jī)不斷地調(diào)整，更新它的數(shù)學(xué)模型。

當(dāng)有新的圖片到來(lái)時(shí)，計(jì)算機(jī)就可以根據(jù)建立好的模型來(lái)判斷哪個(gè)是貓，哪個(gè)是狗。當(dāng)然，這只是一個(gè)非常簡(jiǎn)單的機(jī)器學(xué)習(xí)的例子，現(xiàn)在的機(jī)器學(xué)習(xí)已經(jīng)被廣泛應(yīng)用于自動(dòng)駕駛，數(shù)據(jù)分析，信息挖掘，治療診斷等等許多在過(guò)去只有人類能夠勝任的工作。成百上千的學(xué)習(xí)模型被開(kāi)發(fā)出來(lái)，甚至有許多不需要大量數(shù)據(jù)，或者不需要帶標(biāo)簽的數(shù)據(jù)就能學(xué)習(xí)的模型。正如70－80年代計(jì)算機(jī)開(kāi)始爆發(fā)一般，這確實(shí)是一個(gè)機(jī)器學(xué)習(xí)的黃金年代。

今天就為大家詳細(xì)的闡述一下機(jī)器學(xué)習(xí)是怎樣與基因測(cè)序緊密合作完成癌癥早篩的。

ctDNA是什么

想理解基于基因測(cè)序的癌癥早篩首先需要理解什么是ctDNA。ctDNA是circulating tumor DNA的縮寫(xiě)，也稱為循環(huán)腫瘤DNA。是一種存在于血液、尿液、腦脊液等體液中的細(xì)胞外的基因片段，主要來(lái)自于壞死或凋亡的腫瘤細(xì)胞。ctDNA是癌癥的特定標(biāo)記物，如果能在血液中檢測(cè)出ctDNA通常就意味著體內(nèi)有癌癥正在發(fā)生，這也是癌癥早篩的基本原理。

然而，因?yàn)閏tDNA和由正常細(xì)胞產(chǎn)生的游離DNA碎片是混合在一起的，只占所有游離DNA（cell－free DNA，cfDNA）含量的0．1％－1％之間，因此準(zhǔn)確檢測(cè)出ctDNA的難度相當(dāng)?shù)拇蟆Ｆ渲兴婕暗降男盘?hào)降噪，降低假陽(yáng)性、假陰性的發(fā)生率等都是難度相當(dāng)高的科研課題。

即使在體液中發(fā)現(xiàn)了ctDNA，由于血液循環(huán)，ctDNA可能來(lái)源于身體的任意一處，確定腫瘤在體內(nèi)的生長(zhǎng)位置也是另一件高難度的事情。得益于近些年腫瘤基因組測(cè)序結(jié)果的大量積累，科學(xué)家們發(fā)現(xiàn)了多種具有組織特異性的蹤跡。通過(guò)機(jī)器學(xué)習(xí)的途徑，結(jié)合這些蹤跡信息，科學(xué)家們就能通過(guò)ctDNA來(lái)大致判斷組織來(lái)源。

當(dāng)然，人工智能的發(fā)展并不代表我們可以輕松地解決問(wèn)題。盡管在現(xiàn)如今，機(jī)器學(xué)習(xí)，乃至深度學(xué)習(xí)已經(jīng)擁有了許多開(kāi)源的算法，哪怕只是一個(gè)普通人也可以在一定程度的學(xué)習(xí)后，運(yùn)用現(xiàn)有的接口去開(kāi)發(fā)一些簡(jiǎn)單的模型。但是也正是因?yàn)槿绱?，不同層次的算法人才所做出的產(chǎn)品質(zhì)量和效果也截然不同。正如汽車制造的普及使得人人都可以擁有自己的汽車，但是普通人與賽車手之間車技的差距卻仍然非常明顯。

同樣，也因?yàn)檫@是個(gè)高度跨學(xué)科、知識(shí)密集型的領(lǐng)域，腫瘤早篩的創(chuàng)業(yè)團(tuán)隊(duì)在機(jī)器學(xué)習(xí)方面的專精程度和對(duì)腫瘤病理學(xué)的理解導(dǎo)致了產(chǎn)品質(zhì)量和效果的巨大差距。譬如，由于人類基因組的高度復(fù)雜，和當(dāng)前二代測(cè)序技術(shù)依然存在一定的錯(cuò)誤，使得數(shù)據(jù)分析成為極為關(guān)鍵的一環(huán)。團(tuán)隊(duì)需要對(duì)測(cè)序數(shù)據(jù)的非常熟悉，精通數(shù)據(jù)挖掘的應(yīng)用，以及對(duì)腫瘤臨床知識(shí)有精準(zhǔn)的理解。