《Nature Methods》盤點2015年度技術，選出了最受關注的技術成果：單粒子低溫電子顯微鏡（cryo-EM）技術。 除此之外，也整理出了2016年最值得關注的幾項技術，分別為：細胞內蛋白標記（Protein labeling in cells）、細胞核結構（Unraveling nuclear architecture）、動態蛋白質結構（Protein structure through time）、精準光遺傳學（Precision optogenetics）、高度多重化成像（Highly multiplexed imaging）、深度學習（Deep learning）、亞細胞結構圖譜（Subcellular maps）和綜合單細胞圖譜（Integrated single-cell profiles）。
功能強大的機器學習能力令計算器開始解決了一些感性問題，如圖像和語音識別，而這也越來越多地被應用到了生命科學領域。這些深度學習技術，比如人工神經網絡可以利用多重處理層檢測龐大數據庫中的模式和結構。
這其中的每一層都會從構建的上一層數據中學習到一個概念，越高層，學習概念越抽象。深度學習并不取決于事先的數據處理和自動提取特征。用一個簡單例子來說明：一個任務為形狀解釋的深度神經網絡，其第一層是識別簡單的邊，然而在之后的層中增加更加復雜的形狀（由這些邊組成），有多少層并沒有什么硬性規定，但是大多數專家人物構成深度學習起碼要超過兩層。
近期一些研究展示了深度學習的作用，這種技術能單單根據DNA序列，就能衍生出基因組中的調控特征，如今年發表在Nature Methods雜志上的一篇文章指出，DeepSEA 可以輸入基因組序列，串聯出大規模項目（如ENCODE和表觀遺傳學路線等）的染色質圖譜，預測出一些重要調控位點的單核苷酸變異的影響，這些調控位點包括脫氧核糖核酸酶DNase敏感位點，轉錄因子結合位點，和組蛋白標記位點等。
另一個方法：Basset 則能利用相似的深度神經元網絡，預測單核苷酸多態性對染色質可接近性的影響；還有 DeepBind 能發現RNA與DNA上的蛋白結合位點，預測突變的影響。
深度學習能從非常龐大的數據庫中挖掘到高水平信息，因此將在大數據分析中大顯身手。特別是對于基因組分析，可以解決由于訓練數據缺失依賴性和計算成本高造成的諸如過度擬合（overfitting）等問題。學術機構，還有一些新公司（如Deep Genomics）的研究人員去年發起了一項活動，倡導利用深度學習分析基因組，其目的在于預測遺傳變異的影響——包括自然發生和由基因組編輯引起的變異，解析這對細胞調控的影響，以及由此引發的對疾病發展的影響。