上一篇我們的基因體時代-AI, Data和生物資訊 Day04- 深度學習在基因體學的建模架構01中我們開始往下深入以一個生物問題為例，展開可以怎麼使用其中一種監督式學習的架構來回答，大部分都需要把問題轉換成可以由資料回答的方式，並且把資料整理成表格狀，一行一筆資料，一欄則是一個feature，且其中要有一個所謂的label，這邊把上一篇中提到的工具和資料稍加介紹！

雲端平台

Fabrik

首次google的時候記得使用關鍵字「fabrik deep learning」，不然會導引到其他網頁去喔。
Fabrik是個模擬神經網絡連結的編輯器，提供瀏覽器中的視覺化、編輯和共享神經網絡。它可以輸入由Caffe, Keras, TensorFlow建立好的架構，這樣的好處是可以方便團隊協作和討論，同時可以將此框架輸出成不同系統相容的架構。可以到這個github的網址去看他們實際的代碼，雖然似乎2018年後就沒有再更新了，可能可以稍微自己評估一下是否嘗試使用。

FloydHub

相對於Fabrik在2018年停止更新許久，FloydHub算是有比較活躍的經營，他們在2016年成立，當初的願景是成為像是Heroku之於軟體工程師一樣，針對資料科學家提供服務的公司，不過令人驚訝的是他們官網上面已經在2021/08/20停止服務了，時代的眼淚，雲端深度學習的公司似乎沒有想像中好做！

PaperSpace

這家目前還是持續營業之中，目前有兩個服務，一個是Gradient，一個是CORE，分別想要解決不同的使用者需求，Gradient提供一個即開即用的Jupyter notebook式的服務，且串接多個框架及工具如TensorFlow, PyTorch, Scikit Lear, Keras, TensorRT, TensorBoard, ONNX, XGBoost, HuggingFace, Fast.ai, RAPIDS, R, Streamlit, Jupyter, TF serving等等，另一個產品CORE，看起來是比較to B的服務，提供更高性能的運算資源。

Valohai

這個平台Valohai的服務比較偏向DevOps所用的ML服務需求，且沒有像是PaperSpace的服務整合的那麼精緻，你有三個方法可以使用，第一個是可以local安裝他們的客戶端，來定義yaml後調用他們的服務，第二個是直接git他們的repository來運行，這個方式蠻有趣的，第三種則是運行他們建好的jupyter notebook來運行分析。

Google CloudML

Azure ML

• 軟體
  • Keras
  • TensorFlow
  • PyTorch
• 專門用在基因體問題的深度學習軟體
  • DragoNN
  • Kipoi
• 相關線上課程
  • fast.ai
  • Textbook: http://neuralnetworksanddeeplearning.com/

這個月的規劃貼在這篇文章中我們的基因體時代-AI, Data和生物資訊 Overview，也會持續調整！我們的基因體時代是我經營的部落格，如有對於生物資訊、檢驗醫學、資料視覺化、R語言有興趣的話，可以來交流交流！

閱讀參考：

• Deep learning: new computational modelling techniques for genomics. Nature Reviews Genetics(2019)
• A primer on deep learning in genomics. Nature Reviews Genetics(2019)
• Deep learning for computational biology. Mol. Syst. Biol. 12, 878 (2016).
• Deep learning in bioinformatics. Brief. Bioinform. 18, 851–869 (2017).
• Computational biology: deep learning. Emerg. Top. Life Sci. 1, 257–274 (2017).
• Deep learning in biomedicine. Nat. Biotechnol. 36, 829–838 (2018).
• Opportunities and obstacles for deep learning in biology and medicine. J. R. Soc. Interface 15, 20170387 (2018).