circRNA 虽然被发现具有重要的生物学功能，并且与疾病的发生发展密切相关，但是目前对 circRNA 研究的手段仍停留在 mRNA 研究领域。如何、怎样、用神马策略来揭开 circRNA 在细胞和组织中如何度过它的一生，真可谓让全世界的爱好者绞尽了脑汁。
从最初的“达芬奇手术机器人”到现在上海儿科“AI医生”正式上岗，人工智能的发展可谓开启了生物医疗的新时代。而在基因领域，人工智能早已不遑多上，机器学习早已占领了生物学信息学的每一寸土地；而当前人工智能的核心驱动 —— 深度学习也已应用于识别基因中的突变，例如 DeepVariant，为疾病的早期筛查打下了基础。
相信大家对将人工智能应用于 circRNA 的研究跃跃欲试，这不，美国路易斯维尔大学 Juw Won Park 团队就在7月4日发表了一个工具 circDeep 用于分辨 circRNA 与其他非编码 RNA，目前唯一将深度学习应用于 circRNA 预测的工具。
可能越来越便宜的测序与众多的生物信息学工具给大家一个“错觉”：circRNA 的鉴定是一件容易的事儿。然而，当仔细品味转录组学时，会发现我们对转录组了解的真不多，就连某个基因有多少转录本而每个转录本时空效应是怎样的，可能都不清楚。circRNA 的检测也是这样的，我们只是达到了一个阶段，然而由于生物环境的复杂性以及非编码 RNA 低表达的特征，circRNA 特征刻画并不完整。
circDeep 的作者认为，鉴定 circRNA 需要三个基本步骤：
- 区分 RNA 是否编码蛋白质
- 区分 RNA 的长短
- 从长链非编码 RNA 中区分出 circRNA
在这之前，只有两个计算工具用于刻画 circRNA
- PredcircRNA
- 该软件利用多核学习框架（multiple kernel learning framework）训练保守性分数、ORF 等多个特征从而识别 circRNA
- H-ELM
- 利用分层极限学习机（hierarchical extreme learning machine）与特征选择区分 circRNA 与其他 lncRNAs
两种方法的精确度都没达到 80%，并且难以用特征描述 circRNA 的结构特性。
circDeep 将反向互补匹配特征（Reverse Complemetary Matching descriptor）、不对称卷积神经网络（Asymmetric Convolution Neural Network）以及长短记忆（ACNN-BLSTM）序列特征（ACNN-BLSTM sequence descriptor） 和保守性特征（conservation descriptor）融合成高度抽象的特征，提出了一个点对点（End-to-End）的深度学习框架，
与 PredcircRNA 以及 H-ELM 用相同数据集比较显示，circDeep 具有最优的性能。
最后，作者将代码以及使用说明公开到了GitHub circDeep，并提供了相应的例子供大家使用。
加培训班的信息