Verily已发布了机器学习方法的详细信息，该方法可能支持新诊断工具的开发。

DeepMass方法旨在通过限制质谱仪的使用来改善疾病相关蛋白质谱的表征。

在早期测试中，DeepMass比现有的预测模型更准确，并且在应用于临床数据时扩大了已知生物标志物的覆盖范围。

Verily是Alphabet部门的前身，前身为Google Life Sciences，负责测量蛋白质概况，以在其一系列计划中寻找新的疾病生物标记物，其中包括吸引辉瑞和其他制药商支持的Project Baseline Health Study。

这些对生物标记物的搜索使用了一种蛋白质质谱法，旨在提高蛋白质鉴定和定量的准确性。缺点是这种方法，称为数据独立采集，它依赖于实验确定的光谱库的开发。库的开发既耗时又耗费资源。

为了改善这一过程，Verily与马克斯·普朗克生物化学研究所和Google合作，探索了机器学习的应用。这项探索的信念是，计算可以加速光谱库的生成，从而改善蛋白质数据集的分析。

在《自然方法》上发表的一篇论文中确实地描述了该程序及其结果。作者写道，当用于预测肽质谱时，DeepMass提供的结果比现有的预测模型MS2PIP“明显更好”。DeepMass的得分仅略低于数据集可变性带来的理论最大值。

实实在在做 作为现有使用谷歌云机器学习引擎为自然法的论文发表服务一个DeepMass工具。Verily表示，通过共享该工具，它可以帮助诊断开发人员表征与疾病相关的蛋白质谱。

该工具的共享为Verily广阔的生命科学研发运营开辟了另一个前沿领域，其中包括与Dexcom签订的血糖监测协议，与强生公司合资的机器人外科手术以及许多其他举措。

提高肽质谱预测的准确性可以实现生物标记物与疾病之间难以发现的联系的发现。当应用于临床数据时，DeepMass将“已知生物标志物的发现范围扩大了两倍以上”，Verily 在有关该新闻的博客文章中写道。