生技醫療系列2：蛋白質序列 — 可遠觀也可近看焉？
研究原創團隊：張天豪教授 （國立成功大學電機系）
文章關鍵字: 卷積神經網路、信號肽
人工智慧與分子生物的距離是八竿子打不著?
你可能知道人工智慧可以幫助我們分析圖像，例如人臉辨識就是很耳熟能詳的一個應用，而背後的分析技術就是深度學習。而分子生物學是從分子層級來了解生物的一種科學，這跟一般生物學從比較巨觀的角度來了解生物有點不同。圖一說明了不同層級的生物學：觀察樹葉是綠色的，這是最巨觀的層級；進一步在顯微鏡中觀察樹葉的細胞、葉綠體，這是細胞層級；再進一步了解樹葉細胞內的葉綠素，才是分子層級。那麼，人工智慧和分子生物學之間有什麼關係呢？簡單的說，這篇文章要帶我們來看：如何把生物分子視為圖像，並利用類似人臉辨識的技術來進行分析。
圖一：不同層級的生物學，由左至右為巨觀層級的樹葉、細胞層級的葉綠體、分子層級的葉綠素。
（素材來源＼Krzysztof P. Jasiutowicz (https://commons.wikimedia.org/wiki/File:Lisc_lipy.jpg)、Mariana Ruiz LadyofHats (https://commons.wikimedia.org/wiki/File:Plant_cell_structure_svg_vacuole.svg)與Jynto (https://commons.wikimedia.org/wiki/File:Chlorophyll-a-3D-balls.png)）
深度學習跟分子生物學的範圍都很大，這篇文章會專注在將卷積神經網路(Coevolutionary Neural Network, CNN)應用在辨識信號肽 (signal peptide)的問題上。
你要蓋出什麼樣的房子？深度學習與卷積神經網路
如圖二所示，人工智慧模型就像一棟房子，房子的採光、有沒有冬暖夏涼，反應了這個模型的好壞；而深度學習，或是說神經網路，則是一種蓋房子的「工法」。使用同樣工法的房子會有某些共通的特性，但是像一層的坪數、樓層的總數等等，還是可以因應需求而有所不同。神經網路可以說是近年來最熱門的工法，使用這種工法搭建的模型，使用起來效果特別好；它的特色是模型是一層一層建構的，每一層的結構都很簡單，從房子來說是可以蓋很高，從模型來說就是可以很輕易的加深。當神經網路模型深度漸漸大於其它工法搭建的模型時，才出現深度學習這個名詞，所以深度學習真的只是用比較「深」的模型來分析資料，照字面去理解完全沒有問題。
那卷積神經網路跟深度學習的關係又是什麼呢？它就是有用到卷積層 (convolutional layer) 的神經網路。卷積層聽起來有點饒口，它的命名其實來自於數學上的卷積運算，這種運算套用在圖像上時，效果是將鄰近的像素資料彙整起來，形成比單一像素本身更豐富的資訊。以人臉辨識來說，如果一次只看一個像素，大概很難辨識出什麼；而一次看整張圖片時，不是做不到，但有時比較難抓到規律。以人類來說，當人臉出現在圖片某個區域時，視野會自然聚焦在這個區域，並忽略其它區域的資訊。因此，卷積層這種整合鄰近區域資料的能力，正好符合人眼的特性，在圖像辨識上就能發揮很好的效果。
整體來看，神經網路是講整個模型的工法，規定了層與層之間怎麼接起來，而卷積層是單指某一層的工法。卷積神經網路通常是講整個模型中，至少有一層是卷積層。那如果全部層都用卷積層可以嗎？當然可以，你可以稱它為全卷積網路 (Fully Convolutional Network, FCN)，這篇文章介紹的深度學習模型就屬於這種神經網路。
圖二：深度學習模型就像房子般一層一層蓋起來，每一層的「工法」可以不同，可以依需求彈性調整模型架構。
(素材來源＼Taipei by mikicon from the Noun Project (https://thenounproject.com/mikicon/collection/towers-skyscrapers/?i=807666))
「信號肽」是什麼？
就像植物有葉綠素一樣，人體內也有很多「素」，例如血紅素、胰島素、腎上腺素等等，這些素都是在細胞內很重要的一種生物分子：「蛋白質」，生物的運作就是靠各式各樣的蛋白質合作才能維持。整個蛋白質工作網路是一個龐大且複雜的系統，蛋白質在發揮其功能前，需要先被製造並運送至細胞內正確的位置，而信號肽是蛋白質前端的一小部分，在運送過程中扮演了重要的角色，用來指導蛋白質跨膜轉移，也稱作訊號序列。準確辨識信號肽能夠幫助我們進一步了解蛋白質運送的過程，這篇文章介紹的方法將蛋白質當作一張圖像，試圖找出信號肽的規律，未來就可以用這些規律辨識蛋白質是否帶有信號肽，就像辨識圖像中是否有人臉一樣。
運用資訊、計算技術幫助生物研究稱為生物資訊 (bioinformatics) 或是計算生物學 (computational biology)，其中序列分析指的是分析生物序列的特徵、功能、結構以及演化，辨識信號肽又只是其中一種應用。目前估計人體內大約有八萬到四十萬種蛋白質，加上其他物種，蛋白質相關的知識還有很多研究空間，但也需要大量的資源投入。相較於其它技術，序列分析的特色是「快」，它的角色有點像是快篩，快速過濾大量不可能的狀況，讓後面的資源能夠投入到比較有機會成功的地方。而現在快速定序技術越來越成熟，序列資料正以指數在成長，這個快篩的角色也會越來越重要。
要怎麼將圖像辨識的技術應用在辨識信號肽的問題上 — U-Net
醫學影像比起一般的圖像，例如人臉辨識來說，資料取得的難度比較高。U-Net 是Ronneberger等幾位研究者在2015年提出的神經網路，它可以處理資料較少的應用，並在醫學影像辨識上取得了很好的效果。圖三是U-Net的架構，中間每個箭頭就是神經網路的一層，矩形則是該層輸出的結果，上面的數字表示一個像素帶有多少維度的資訊。舉例來說，它的輸入是572x572的灰階圖像，每個灰階圖像的像素可以用0~255的純量表示該像素有多「亮」，0代表黑色，255代表白色。這邊將純量視為維度為1的向量，所以輸入層上面的數字為1，整張圖片可以視為572x572x1的矩陣。經過第一層之後，每個像素會變成64維的向量，最後輸出每個像素會用一個2維向量來表示該像素是否帶有要辨識的物件。U-Net裡每一層根據工法的不同，可以分成四類，圖上以不同顏色的箭頭表示，其中藍色箭頭表示卷積層。往下的箭頭對圖像來說有縮小的效果，例如一張572x572的圖像，在通過一次往下的箭頭後會變成284x284的圖像；反之，往上的箭頭對圖像來說有放大的效果，整個U-Net有點像先將圖像縮小後，再慢慢放大回來。請想像你緊貼著一面巨大的牆，在這樣的狀況下要看清牆上畫了什麼圖是很困難的，但若是往後退個幾步，要看清牆上圖像的全貌就不是難事了。這個往後退的動作，就像是縮小圖像，也就是U-Net中往下的箭頭；當你知道整張圖的重點大概在哪邊，想進一步看細節時，可以再往前進，對應的就是U-Net中往上的箭頭 (放大)。這個架構圖本身像英文字母U，也是它被稱為U-Net的原因。
圖三：U-Net的網路架構 (藍色箭頭表示卷積層)
U-Net的升級版 — 為分析蛋白質序列量身訂做的SigUNet
在生物體內，將蛋白質運送到其功能發揮部位的過程稱為蛋白質分選 (protein sorting) ，在這個過程中，可以把信號肽想成火車的車票，它確保蛋白質可以搭乘大眾運輸工具 (內質網 (endoplasmic reticulum))。信號肽這個車票很有趣的一點是，它是直接連在蛋白質上的，可以想成剪票後的票根就是蛋白質本身，而被剪掉的部分就是信號肽，它在上車後就不需要了。這種票根就是本體的設計有個問題，蛋白質是一種化學物質，它不像一般車票上會有明確分隔的虛線，讓人一目瞭然知道票根的位置在哪裡。請把蛋白質想成一個長鏈狀、一環一環串在一起的分子，每一個環就是一顆胺基酸 (amino acid)，而信號肽是蛋白質前端大約11到27顆胺基酸。再進一步細看信號肽本身的話，可以大致分成三個區段，最前面是長度大約1到5的正電區段，也就是這說區段的胺基酸大都帶正電荷；接著是長度大約7到15的疏水區段；以及最後長度大約3到7的極性區段。
一般計算分析人員拿到的蛋白質長得會像一個英文字母序列 (如圖四所示)，每個字母代表一個胺基酸，例如G代表甘胺酸 (Glycine)、A代表丙胺酸 (Alanine)。整個辨識信號肽的問題，就會變成是輸入一串英文字母序列，然後辨識每個字母是否為位於信號肽區段。這篇文章介紹的辨識信號肽模型實際使用的是U-Net改良版 — SigUNet (架構如圖五所示)。SigUNet將這個英文字母序列視為一張圖像，一個字母視為圖像上的一個像素，並根據這樣的假設來調整U-Net。怎麼進行調整呢？
1. 將U-Net中所有的運算從2 維改為1維，因為圖像是2維的而蛋白質序列是
1維的資料，你可以將SigUNet想成專門處理很扁很扁，高度只有一個像素
的圖像。
2. SigUNet中每個字母會用20維的0/1向量，而不是0~255的1維純量來表
示。(不使用1~20的1維純量來表示是因為怕模型誤把胺基酸種類當成數字
來運算，畢竟在分子生物學中，並沒有第1種胺基酸加第2種胺基酸等於第
3種胺基酸這樣的特性。)
整體來說，SigUNet的輸入變為96x20，其中96是序列的長度，對應到U-Net的572x572x1中的572x572；而x20對應到U-Net的x1。此外，由於信號肽的資料量又比醫學影像更少，所以SigUNet的網路複雜度有進一步簡化。圖中可以看到每層的維度都有所下降，在U-Net中，當圖像縮到最小時，單一像素會用高達1024維的向量來表示；而在SigUNet中，當序列縮到最短時，單一字母最高也只需要使用40維的向量來表示。此外，U-Net經過四次縮小以及四次放大，而SigUNet只經過三次縮小以及三次放大。
圖四：信號肽的結構與編碼。
計算分析人員拿到的蛋白質會是一個英文字母序列，每個字母代表一種胺基酸，如圖中的MRRGR…。序列前端信號肰的部分可以區分為正電區段、疏水區段以及極性區段。每個字母會用一個20維的0/1向量來表示，以長度96的序列為例，對深度學習模型來說就是一個96x20的矩陣。注意圖中正電區段、疏水區段以及極性區段這樣的資訊並不會輸入模型，相反的，模型要從這96x20的矩陣中辨識這些區段，並依此預測輸入的英文字母序列是否帶有信號肽。
圖五：SigUNet的網路架構。(藍色箭頭表示卷積層)
上面這些調整使得SigUNet在辨識信號肽的表現比U-Net好上許多，不過這個例子主要是想讓大家了解，原來圖像深度學習網路也可以這樣運用。如果拋開改動的細節，SigUNet完全保留了U-Net的精神 — 先退後看全貌再前進看細節。
蛋白質序列對許多人來說與圖像不同，是非常陌生的東西，但實驗結果顯示出蛋白質序列也可以採用同樣的分析邏輯。希望大家讀到這裡，會覺得生醫領域的應用也不是那麼可怕，並且可以開始想像，說不定還有許多圖像分析技術可以運用在分子生物學上；或是反過來想，這篇文章提到的分析技術，有沒有機會套用分子生物學以外的領域呢？總之，下次觸及不同領域時，或許不用太害怕突如其來的專有名詞，下一點工夫去理解，反而可以把它們想成機會，好好享受一下跨領域的挑戰與樂趣！
參考文獻
1. Long J, Shelhamer E, Darrell T: Fully convolutional networks for
semantic segmentation. In: Proceedings of the IEEE conference on computer vision and pattern recognition: 2015. 3431–3440.
2. Ronneberger O, Fischer P, Brox T: U-net: Convolutional networks for biomedical image segmentation. In: International Conference on Medical image computing and computer-assisted intervention: 2015. Springer: 234–241.
3. Wu J-M, Liu Y-C, Chang DT-H: SigUNet: signal peptide recognition based on semantic segmentation. BMC bioinformatics 2019, 20(24):1–14.
==================================
研究原創團隊：張天豪教授 （國立成功大學電機系）
科普合作團隊：黃福銘教授（東吳大學巨量資料管理學院）、
彭鈺湄、周柏佳、秦李欣、呂紹君、張容溥、謝馨頤、吳岱恩
指導計畫單位：科技部科教發展及國際合作司–
前沿科技成果轉化暨應用推廣計畫
==================================
