北京大学/哈佛大学等多机构｜多组学中的人工智能：挑战与突破

随着高速通量测序技术的发展，多组学研究进入了整合时代，涵盖基因组学、转录组学、蛋白质组学和代谢组学等。然而，单一组学研究面临数据高维、噪声大等问题，难以全面解析复杂生物系统。因此，科学家转向多组学整合，利用人工智能技术，特别是深度学习模型，为疾病研究和精准医学提供更丰富的视角。文章详细介绍了多组学数据整合的挑战，包括数据噪声、异质性和空间-时间整合困难，并探讨了人工智能在多组学中的应用，如分类、回应、生成和聚类任务。此外，文章还讨论了多组学基础模型的研究进展和未来发展方向，强调了跨物种多组学模型的评价体系、可解释模型、长序列建模和多器官数据集的构建。总体而言，人工智能驱动的多组学研究为精准医学和生物学研究提供了广阔的前景，但仍需技术突破和数据共享的支持。