10月31日，在第三屆“先導(dǎo)杯”計算應(yīng)用大獎賽全國總決賽中，由來自中科院上海營養(yǎng)與健康研究所的李杰夫、周翰文和胡玥以及來自中科蘇州智能計算技術(shù)研究院的姚睿捷共同組成的AI4Life團隊，將“利用無監(jiān)督學(xué)習(xí)方法探索癌癥發(fā)生的分子機理”作為參賽項目，獲得了AI for Science賽道全國三等獎(https://cas-pra.sugon.com/sugon/newsugon/index5.html)。本屆比賽共有來自中科院、北京大學(xué)、清華大學(xué)、復(fù)旦大學(xué)等機構(gòu)的48支團隊激烈角逐，競爭7個賽道的獎項。
團隊風(fēng)采：李杰夫，周翰文，姚睿捷，胡玥（從左到右）
以癌癥為代表的復(fù)雜疾病是對人類健康的主要威脅。復(fù)雜疾病具有潛在患者龐大，機制不明確，缺乏根治的干預(yù)手段等諸多特點，且目前已經(jīng)呈現(xiàn)出發(fā)病年輕化的趨勢，是目前生物醫(yī)學(xué)領(lǐng)域的重點問題?；驕y序技術(shù)可以為復(fù)雜疾病提供分子層面的信息，但是面臨數(shù)據(jù)規(guī)模增長過快，現(xiàn)有計算體系難以處理的瓶頸，同時由于生物體系內(nèi)在的復(fù)雜性，需要利用無監(jiān)督學(xué)習(xí)系統(tǒng)建立不依賴人類已有知識的新的分子規(guī)律發(fā)現(xiàn)模式。
AI4Life團隊使用基于異構(gòu)計算的轉(zhuǎn)錄組定量算法Paean對癌癥樣本中基因表達和可變剪接事件進行定量，Paean分析單個樣本的時間在20秒左右，在多卡條件下可以在1天的時間內(nèi)完成萬級別癌癥樣本的轉(zhuǎn)錄組分析工作。為了探索復(fù)雜疾病分子機理，AI4Life團隊基于自編碼器（Autoencoder）與向量量化（vector quantization）的算法設(shè)計了通用無監(jiān)督學(xué)習(xí)模型DAO（Deep AutOencoder Clustering）。AI4Life團隊使用DAO模型對樣本量近一萬、特征維度超過七萬的泛癌轉(zhuǎn)錄組數(shù)據(jù)集進行了聚類分析，基于轉(zhuǎn)錄組特征提出了潛在泛癌分類系統(tǒng)，發(fā)現(xiàn)了癌癥不同亞型之間病理特征、分子機制等表型存在諸多差異，并在獨立數(shù)據(jù)集上驗證了關(guān)鍵結(jié)論。
分析流程示意圖
在工程技術(shù)方面，AI4Life團隊將模型部署在異構(gòu)超算集群上，實現(xiàn)了面向海量人群測序樣本的復(fù)雜疾病自主學(xué)習(xí)。其中，超算集群硬件系統(tǒng)基于曙光超算平臺和海光DCU，深度學(xué)習(xí)框架采用百度PaddlePaddle，實現(xiàn)了多機多卡的分布式學(xué)習(xí)，大幅提升了數(shù)據(jù)整合的效率和能效。
本項目構(gòu)建的分析系統(tǒng)可以在單日內(nèi)完成萬級別癌癥數(shù)據(jù)集合的整合理解分析，日后隨著數(shù)據(jù)的持續(xù)積累，該系統(tǒng)可以實現(xiàn)自我更新、持續(xù)學(xué)習(xí)，將發(fā)現(xiàn)更多對精準(zhǔn)醫(yī)學(xué)具有應(yīng)用價值的分子特征，并將規(guī)律發(fā)現(xiàn)和分子分型的對象由癌癥拓展到包括糖尿病、心血管疾病、痛風(fēng)等其他復(fù)雜疾病。
本屆先導(dǎo)杯由企業(yè)、產(chǎn)業(yè)聯(lián)盟、高校共創(chuàng)，形成了“產(chǎn)學(xué)研用”一體化的合作方式，吸引了國內(nèi)外近千名選手積極報名，參賽隊伍從學(xué)生群體、科研人員，擴展到金融、半導(dǎo)體、通信等更多領(lǐng)域。
本工作由中科院上海營養(yǎng)與健康研究所王澤峰老師，張國慶老師和中科蘇州智能計算技術(shù)研究院張佩珩老師聯(lián)合指導(dǎo)。
官方微信
