冷泉港实验室助理教授顾彼得在他的实验室与研究生蜀山通彦。辜的团队研究了被称为深度神经网络的机器学习人工智能是如何工作的。他开发了一种新方法来研究这些脱氧核糖核酸是如何学习和预测核糖核酸序列中某些模式的重要性的。信用:Gina M otisi，2020/CSHL人工智能(AI)学习机器可以被训练自己解决问题和谜题，而不是使用我们为它们制定的规则。但是，研究人员往往不知道机器为自己制定了什么规则。冷泉港实验室(CSHL)助理教授古永锵开发了一种新方法，测试机器学习程序，找出它自己学习的规则，以及y是否正确。计算机科学家通过向人工智能机器提供一组数据来“训练”机器进行预测。机器根据它在训练中遇到的信息推断出一系列规则和操作——一个模型。辜说:
“如果你学习数学的一般规则，而不是记忆方程，你就知道如何求解这些方程。因此，我们不仅仅是记忆那些方程，我们希望这些模型正在学习解决它，现在我们可以给它任何方程，它就会解决它。”
辜开发了一种被称为深度神经网络(DNN)的人工智能，以寻找增加蛋白质结合能力的核糖核酸链模式。辜鸿铭用数千个与蛋白质结合分数相匹配的核糖核酸序列训练了他的DNN，叫做残基结合，残基结合变得擅长预测新的核糖核酸序列的分数。但辜鸿铭不知道这台机器是聚焦于人类可能期望的一小段核糖核酸字母s——一个基序，还是核糖核酸链的一些其他次要特征，而他们可能没有。
辜和他的团队开发了一种新的方法，叫做全局重要性分析，来测试RB生成了什么规则来进行预测。他向训练好的网络展示了一组精心设计的合成核糖核酸序列，其中包含不同的基序和特征组合，科学家认为这些组合可能会影响RB的评估。
他们发现这个网络考虑的不仅仅是一个简短主题的拼写。它考虑到了核糖核酸链如何折叠并与其自身结合，一个基序与另一个基序有多接近，以及其他特征。
辜鸿铭希望在实验室测试一些关键结果。但古永锵的新方法不是在那个实验室里测试每一个预测，而是像一个虚拟实验室。研究人员可以通过计算设计和测试数百万个不同的变量，远远超过人类在现实世界实验室中的测试。
“生物学是超级轶事。你可以找到一个序列，你可以找到一个模式，但你不知道‘那个模式真的重要吗？’你必须做这些介入实验。在这种情况下，我所有的实验都是通过询问神经网络来完成的。"
该团队在《PLOS计算生物学》上发表了他们的新方法和工具。他们的工具现在每个人都可以在线使用。
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
